Embed Size (px)
Citation preview
SISTEMA DE APOIO À DECISÃO PARA GESTÃO DA PÓS-COLHEITA DO CAFÉ
RAFAEL VARGAS MESQUITA DOS SANTOS
UNIVERSIDADE ESTADUAL DO NORTE FLUMINENSE
DARCY RIBEIRO
CAMPOS DOS GOYTACAZES - RJ
DEZEMBRO - 2012
SISTEMA DE APOIO À DECISÃO PARA GESTÃO DA PÓS-COLHEITA DO CAFÉ
RAFAEL VARGAS MESQUITA DOS SANTOS
Tese apresentada ao Centro de Ciências e Tecnologias Agropecuárias da Universidade Estadual do Norte Fluminense Darcy Ribeiro, como parte das exigências para obtenção do título de Doutor em Produção Vegetal.
Orientador: Prof. Dr. Henrique Duarte Vieira Coorientador: Prof. Dr. Flávio Meira Borém
CAMPOS DOS GOYTACAZES - RJ DEZEMBRO - 2012
SISTEMA DE APOIO À DECISÃO PARA GESTÃO DA PÓS-COLHEITA DO CAFÉ
RAFAEL VARGAS MESQUITA DOS SANTOS
Tese apresentada ao Centro de Ciências e Tecnologias Agropecuárias da Universidade Estadual do Norte Fluminense Darcy Ribeiro, como parte das exigências para obtenção do título de Doutor em Produção Vegetal.
Aprovada em 06 de dezembro de 2012
Comissão Examinadora
Prof. Sílvio de Jesus Freitas (D.Sc., Produção Vegetal) - UENF
Prof. Eder Pedroza Isquierdo (D.Sc., Ciência dos Alimentos) - UFLA
Prof. Flávio Meira Borém (D.Sc., Produção Vegetal) - UFLA
Prof. Henrique Duarte Vieira (D.Sc., Produção Vegetal) - UENF (Orientador)
ii
Dedico esta tese à minha amada esposa Sabrina, por todo o carinho,
apoio, respeito e dedicação.
iii
AGRADECIMENTOS
A Deus, pelas misericórdias renovadas a cada manhã.
Ao professor Henrique Duarte Vieira, pela orientação, apoio e confiança
durante todo trabalho;
Ao professor Flávio Meira Borém, pela coorientação desde a época da
graduação, disponibilidade e incentivo;
Aos professores Pedro Amorim Berbert e Geraldo de Amaral Gravina
pelas valiosas sugestões;
Aos doutores Eder Pedroza Isquierdo e Pedro Damasceno de Oliveira
pela grande ajuda com os dados de questionários;
Aos professores das disciplinas cursadas, pelos conhecimentos
transmitidos;
A Universidade Estadual do Norte Fluminense Darcy Ribeiro, ao
Programa de Pós-Graduação em Produção Vegetal e ao Laboratório de
Fitotecnia, pela oportunidade de realização deste curso.
Aos colegas do curso de Pós-graduação que, de maneira geral, sempre
foram companheiros e amigos;
Aos meus pais, Wilton Mesquita dos Santos e Roziane Vargas Mesquita
dos Santos, pela educação e exemplos de vida;
Especialmente à minha esposa, Sabrina Brugnara Vargas, pelo amor,
conselhos e compreensão;
A todos aqueles que estiveram comigo, durante esta jornada, os meus
agradecimentos;
iv
SUMÁRIO
1. INTRODUÇÃO ................................................................................................. 1
2. REVISÃO DE LITERATURA ............................................................................ 3
2.1. Sistemas de apoio à decisão ..................................................................... 3
2.1.1. Arquitetura de sistemas de apoio à decisão ........................................ 5
2.2. Processamento do café ............................................................................. 8
2.2.1. Processamento via seca ................................................................... 11
2.2.2. Processamento via úmida ................................................................. 12
2.2.3. Custo de processamento do café ...................................................... 15
2.3. Análise estatística multivariada ................................................................ 16
2.3.1. Análise de agrupamento (AA) ........................................................... 17
2.3.2. Análise de componentes principais (ACP) ........................................ 21
2.3.3. Análise de fatores (AF) ...................................................................... 23
3. MATERIAL E MÉTODOS ............................................................................... 24
3.1. Definição dos custos dos processamentos a serem calculados .............. 24
3.2. Identificação das variáveis necessárias para o cálculo dos custos
definidos ............................................................................................................ 25
3.3. Implementação do sistema de apoio à decisão “Pós-Café” ..................... 26
v
3.4. Aplicação de questionários aos produtores de café ................................. 27
3.5. Análises estatísticas................................................................................. 28
3.5.1. Análise estatística para validação do sistema de apoio à decisão
“Pós-Café” ...................................................................................................... 28
3.5.2. Análise estatística multivariada em dados de custos da fase de pós-
colheita do café .............................................................................................. 28
3.5.3. Análise estatística para a estimativa da infraestrutura ...................... 29
3.5.4. Análise estatística para o desenvolvimento de cenários utilizando o
sistema de apoio à decisão “Pós-Café” .......................................................... 30
4. RESULTADOS E DISCUSSÃO ...................................................................... 31
4.1. Sistema de apoio à decisão “Pós-Café” ................................................... 31
4.2. Análise estatística para validação do sistema de apoio à decisão “Pós-
Café” 36
4.3. Análise estatística multivariada para o custo da fase de pós-colheita do
café 39
4.3.1. Análise de agrupamento para os custos da fase de pós-colheita do
café 41
4.3.2. Análise de fatores para os custos da fase de pós-colheita do café ... 42
4.3.3. Análise de componentes principais para os custos da pós-colheita do
café 45
4.4. Análise estatística para a estimativa da infraestrutura ............................. 47
4.5. Análise estatística para o desenvolvimento de cenários utilizando o
sistema de apoio à decisão “Pós-Café” ............................................................. 57
5. RESUMO E CONCLUSÕES .......................................................................... 65
REFERÊNCIAS BIBLIOGRÁFICAS ...................................................................... 68
vi
RESUMO
SANTOS, Rafael Vargas Mesquita dos, D.Sc., Universidade Estadual do Norte Fluminense Darcy Ribeiro, dezembro de 2012. Sistema de apoio à decisão para gestão da pós-colheita do café. Orientador: Prof. Henrique Duarte Vieira.
A escolha do modo de processamento do café, bem como o
dimensionamento da infraestrutura necessária para tal operação são decisivos na
rentabilidade da atividade cafeeira e dependerão de diversos fatores. Assim, em
decorrência da existência de tantas variáveis, é comum o produtor questionar a
viabilidade de determinados tipos de processamentos e até mesmo subestimar ou
superestimar aspectos de infraestrutura.
Desse modo, o objetivo principal deste trabalho foi desenvolver um sistema
de cálculo do custo da pós-colheita do café, facilitando a tomada de decisão
quanto aos processamentos de melhor custo-benefício a serem aplicados ao café
nesta fase. Dentre os objetivos específicos, temos: estudo dos principais fatores
influenciadores no custo da pós-colheita do café, análise de aspectos de
infraestrutura das fazendas na fase de pós-colheita do café e detalhamento das
propostas de processamentos alternativos mais rentáveis para duas fazendas.
Quarenta e seis fazendas das regiões do Cerrado, Matas de Minas e Sul
de Minas Gerais responderam a um questionário elaborado no sentido de
possibilitar estas análises.
Ao empregar o sistema de apoio à decisão desenvolvido (“Pós-Café”), foi
constatado que os custos na fase de pós-colheita simulados não diferem
vii
estatisticamente dos custos informados pelos responsáveis das fazendas
entrevistadas.
A aplicação das técnicas multivariadas de análise de agrupamento, análise
de fatores e análise de componentes principais possibilitou complementaridade na
explicação dos principais fatores influenciadores no custo da pós-colheita do café.
A partir da utilização do sistema de apoio à decisão para a gestão da pós-
colheita do café, também ficou evidenciado que as fazendas entrevistadas, em
média, superestimavam a área de terreiro e estimavam corretamente a
capacidade dos secadores. Além disso, duas fazendas escolhidas no
desenvolvimento de cenários poderiam ampliar sua margem de lucro, caso
optassem por processamentos alternativos na fase de pós-colheita do café.
De uma forma geral, o sistema de apoio à decisão para gestão da pós-
colheita do café (“Pós-Café”) provou, estatisticamente, ser uma ferramenta
confiável, podendo ser utilizada nas mais diversas finalidades dentro do contexto
da fase de pós-colheita.
viii
ABSTRACT
SANTOS, Rafael Vargas Mesquita dos, D.Sc., Universidade Estadual do Norte Fluminense Darcy Ribeiro, dezembro de 2012. Development of a decision support system to analyze the cost of post-harvest coffee. Advisor: Prof. Henrique Duarte Vieira.
The choice of method of processing coffee as well as scaling the
infrastructure needed for processing are crucial for the profitability of coffee, and
will depend on several factors. Thus, due to the existence of many variables is
common producer questioned the viability of certain types of processing, as well
as underestimate or overestimate aspects of infrastructure.
Thus, the main objective of this study was to develop a system for
calculating the cost of post-harvest coffee and thus facilitate the decision making
processes regarding the most cost-effective to be applied to coffee at this stage.
The specific objectives a study of the major influencing factors in the cost of post-
harvest coffee, examined two aspects of infrastructure of the farms in the post-
harvest coffee processing and detailed proposals for two alternative more
profitable farms.
Forty-six farms in the regions of the Cerrado, Matas de Minas and southern
Minas Gerais answered a questionnaire in order to enable these analyzes.
By employing the decision support system, it was found that the costs in the
post-harvest simulated costs do not differ statistically informed the heads of the
farms surveyed.
ix
The application of multivariate techniques of cluster analysis, factor
analysis, principal component analysis and correspondence analysis, possible
complementarities in explaining the main factors that influence the cost of post-
harvest coffee.
By employing the decision support system for calculating the cost of post-
harvest coffee was also found that the farms surveyed, on average, overestimate
the area of the yard and correctly estimate the capacity of the dryers. In addition,
two farms chosen in the development of scenarios could expand its profit margin,
if they chose alternative processes in post-harvest coffee.
In general the decision support system for calculating the cost of post-
harvest coffee ("Pós-Café") proved statistically to be a reliable tool, and can be
used in various purposes within the context of post-harvest.
1
1
1. INTRODUÇÃO
A agricultura brasileira é um setor econômico estratégico para a
estabilização da economia, sendo o café um dos seus mais tradicionais produtos,
tendo grande influência no processo de industrialização.
Em uma época em que o mercado de cafés especiais está se expandindo
cada vez mais e o consumidor ficando mais exigente, elevar a qualidade da
bebida é fundamental para atender o mercado e aumentar a renda do cafeicultor
brasileiro. E um dos fatores determinantes para isto é a pós-colheita.
As questões agronômicas do café brasileiro já estão, de certa forma, bem
evoluídas, todavia, no momento em que o café é colhido e encaminhado para o
terreiro surgem as principais dúvidas.
Para os produtores de café, consultores e cooperativas ligadas à área de
pós-colheita do café, ainda é muito difícil decidir sobre quais processamentos
devem ser aplicados ao café após a colheita. Muito deve ser considerado para
que decisões como essas possam ser tomadas com maior facilidade por parte
dos produtores, consultores e cooperativas.
Diante do exposto, o presente trabalho teve como objetivos: 1. Desenvolver
um sistema de apoio à decisão para a gestão da pós-colheita do café; 2. Aplicar
técnicas estatísticas multivariadas em dados de custos da fase de pós-colheita do
café para identificar os principais fatores influenciadores do custo na fase de pós-
colheita do café; 3. Realizar uma análise comparativa da infraestrutura de
processamento de quarenta e seis fazendas, utilizando o sistema de apoio à
2
2
decisão para a gestão da pós-colheita do café (“Pós-Café”); 4. Desenvolver
cenários de processamentos alternativos mais rentáveis, para duas fazendas
representativas, utilizando o sistema de apoio à decisão para gestão da pós-
colheita do café (“Pós-Café”).
A tese será apresentada no modelo convencional ou clássico,
apresentando os seguintes capítulos: introdução, revisão de literatura, material e
métodos, resultados e discussão, além de resumo e conclusões.
3
3
2. REVISÃO DE LITERATURA
2.1. Sistemas de apoio à decisão
Sistemas de apoio à decisão (SAD) é uma classe de sistemas de
informação ou sistemas baseados em conhecimento. Refere-se a um modelo
genérico de tomada de decisão que analisa um grande número de variáveis para
que seja possível o posicionamento a uma determinada questão.
Decisão é uma escolha entre as alternativas existentes através de
estimativas dos pesos destas alternativas. Apoio à decisão significa auxiliar nesta
escolha gerando estas estimativas, a evolução ou comparação e escolha. O
termo sistema de apoio à decisão tem sido utilizado de diferentes formas (após a
década de 80) e tem recebido diferentes definições de acordo com o ponto de
vista de cada autor. Finlay e Forghani (1998) definem o SAD, de um modo geral,
como um sistema computacional que auxilia o processo de tomada de decisão.
Turban (1995) define, mais especificamente, como um interativo, flexível e
adaptável sistema de informação, especialmente desenvolvido para apoiar a
solução de um problema gerencial não estruturado no sentido de aperfeiçoar a
tomada de decisão. Além de utilizar dados, provê uma interface amigável e
permite ao tomador de decisão ter sua própria percepção.
Existe outra definição que se encontra entre estes dois extremos. Para
Keen (1980), um SAD concilia os recursos intelectuais individuais com a eficiência
dos resultados produzidos pelo computador melhorando a qualidade da decisão
4
4
(SAD são sistemas computacionais que apoiam os gerentes tomadores de
decisão que são direcionados com problemas semiestruturados). Para Sprague e
Watson (1993), SAD’s são sistemas computacionais interativos que auxiliam os
tomadores de decisão na utilização de dados e modelos solucionados de
problemas não estruturados.
Em contraste, Keen (1980) diz que é impossível dar uma definição precisa
incluindo todas as facetas do SAD. Segundo o autor, não há definição de
sistemas de apoio à decisão, somente de apoio à decisão. Ainda, de acordo com
Power (1997), o termo sistema de apoio à decisão é muito desgastado devido a
sua utilização para definir muitos tipos de sistemas que dão apoio à tomada de
decisão. Como pode-se observar, não há uma definição universal aceita de SAD.
Os SAD’s são sistemas computacionais utilizados para resolverem
problemas de uma maneira bem parecida com um especialista humano. Eles
possuem um conhecimento específico profundo sobre campos restritos do
conhecimento.
Existem diversos benefícios associados ao desenvolvimento de um SAD
como, por exemplo, distribuição de conhecimento especializado.
Seguem alguns exemplos de sistemas de apoio à decisão, voltados para a
área de produção vegetal:
Sistema de apoio à decisão para utilização no agronegócio: telemetria e
tratamento de dados de desempenho de máquina de colheita (Sichonany,
2012);
Sistema de apoio à decisão para determinação de tarifas em unidades
armazenadoras de grãos (Valente et al., 2011);
Sistema de apoio à decisão para determinação da capacidade de uso dos
solos (Cap-Uso, 2012);
Sistema de apoio à decisão para recomendação do composto de lixo
urbano na agricultura (Sirclua, 2012);
Sistema de apoio à decisão para o planejamento de propriedades agrícolas
(Solar, 2012);
Sistema de apoio à decisão para avaliação da qualidade da água (Acqua-
Sist, 2012);
5
5
Sistema de apoio à decisão para diagnóstico de toxi-infecções alimentares
(Bac-Sist, 2012);
Sistema de apoio à decisão para culturas de milho e soja (Narciso, 2012);
Sistema de apoio à decisão para energização rural (Sisenerg, 2012);
Sistema de apoio à decisão para identificação e diagnóstico das pragas
agrícolas nos campos gerais (Laurindo e Osni Júnior, 2012);
Sistema de apoio à decisão dedicado à agricultura de precisão: aplicação à
cultura da soja (Cruz, 2002);
Sistema de apoio à decisão na avaliação de risco em investimentos
florestais com técnica de simulação discreta (Nobre et al., 2001);
No contexto deste trabalho, tem-se um SAD voltado à área de pós-colheita
do café, com o intuito principal de distribuir o conhecimento especializado a
produtores, consultores e cooperativas da área.
2.1.1. Arquitetura de sistemas de apoio à decisão
Para Sprague e Watson (1993), muitas são as diversidades existentes
entre os sistemas de apoio à decisão encontradas, mas algumas componentes
em comum são apresentadas, como: uma interface, um SGBD e um SGBM.
Interface: interface com o usuário;
SGBD: sistema gerenciador de banco de dados;
SGBM: sistema gerenciador de banco de modelos.
A Figura 1 ilustra a arquitetura dos SAD, utilizada no “Pós-Café”.
6
6
Figura 1. Arquitetura de um SAD (Sprague e Watson, 1993).
A seguir, cada uma dessas componentes será explicada, de acordo com
Kock (2003).
Interface
De fundamental importância para o bom funcionamento do homem com a
máquina, a interface tem que ser adaptada ao usuário e não o usuário ser
adaptado à interface.
A interface do “Pós-Café” é composta por módulo de ajuda, alertas durante
a utilização do sistema, gráficos, relatórios resumidos e relatórios completos.
Sistema gerenciador de banco de dados
O SGBD é uma das partes importantes, senão a mais importante, dentro
de um SAD, pois sem ele as informações não existiriam e, consequentemente, a
informática também não, uma vez que esta é ligada totalmente à informação para
poder processar algum conteúdo ou resposta às pessoas que vierem a utilizar o
sistema.
7
7
Os dados estão presentes no SGBD e no BD (banco de dados), sendo que
este conjunto, com a adição de um filtro, recebe o nome também de subsistema
de dados.
O sistema de gerenciamento de banco de dados escolhido para o
desenvolvimento do “Pós-Café” foi o Microsoft Access (Access, 2011), incluído no
pacote do Microsoft Office Professional. Ele permite o desenvolvimento rápido de
aplicações que envolvem tanto a modelagem e estrutura de dados como também
a interface a ser utilizada pelos usuários.
Sistema gerenciador de banco de modelos
Os modelos são gerados por um subsistema de modelos que engloba um
SGBM e por um BM constituído de modelos estratégicos, táticos e operacionais.
Turban (1995) classifica os modelos de SAD em sete grupos:
Enumeração completa: um número finito e pequeno de alternativas é
modelado pela análise de decisão. Existem dois tipos distintos em relação
aos objetivos: único objetivo e objetivos múltiplos. Tabelas de decisão ou
árvores de decisão são duas técnicas utilizadas na análise de único
objetivo. Há poucas técnicas em múltiplos objetivos;
Otimização via algoritmo matemático: programação matemática fornece
uma abordagem relativamente imparcial na solução do problema.
Programação linear é a técnica mais conhecida utilizada na otimização. O
objetivo é encontrar a melhor solução a partir de um grande ou infinito
número de alternativas;
Otimização via fórmula analítica: o objetivo aqui é encontrar a melhor
solução usando linhas de fórmulas simples. O modelo de regressão é um
exemplo de uma técnica utilizada nesta categoria;
Simulação: é uma técnica que permite conduzir experiências em modelos
digitais da realidade. A simulação é uma das ferramentas mais usadas nos
SAD, pois permite descrever situações complexas. O processo de
simulação consiste na repetição de uma experiência de modo a obter uma
estimativa do efeito produzido por certas ações. A simulação é um
8
8
processo descritivo. Não há uma busca da solução ótima para o problema.
A simulação descreve ou prevê as características de um dado sistema em
diversas circunstâncias. Uma vez calculadas essas características, a
melhor entre várias alternativas pode ser escolhida;
Heurística: o processo de simulação pode ser demorado, complexo e até
impreciso. Em tais situações, às vezes, é possível chegar a uma solução
satisfatória de forma rápida e menos dispendiosa usando heurísticas.
Heurística é o encontro de uma solução "boa o suficiente" para um
problema complexo com regras. Como técnicas utilizadas, podemos incluir
programação heurística e sistemas especialistas;
Outros modelos descritivos: outros modelos descritivos envolvem modelos
não quantitativos expressos em termos de regras ou fórmulas;
Modelos prescritivos: o objetivo principal deste tipo de modelo é prever o
futuro para um determinado cenário. Técnicas representantes incluem
análise de Markov e modelos de previsão.
De acordo com Kock (2003), os SAD podem conter vários modelos:
construídos diretamente no software de desenvolvimento do SAD, construídos
separadamente e propositadamente, e adicionados pelo SAD quando necessário.
O modelo utilizado no sistema “Pós-Café” foi construído diretamente no
software e é baseado em simulação, mais especificamente simulação visual, a
qual representa os resultados de uma forma gráfica.
2.2. Processamento do café
O café proveniente da lavoura pode constituir-se de frutos verdes, maduros
ou “cereja”, supermaduros ou “passa”, frutos secos, folhas, ramos, terra, paus e
pedras.
Para Borém (2008), a presença de cada um desses constituintes e sua
proporção dependerá do sistema e dos cuidados adotados na colheita. Assim, a
colheita seletiva resultará na sua totalidade em frutos maduros; colheita por
derriça completa, quando realizada precocemente, produzirá cafés com grande
9
9
porcentagem de frutos verdes, enquanto colheitas tardias, grande quantidade de
frutos secos; nesses dois últimos casos poderão ser produzidos, com maior
frequência, cafés com qualidade inferior.
A colheita sobre o pano, mais adequada em relação à colheita no chão,
evita o contato dos frutos com o solo e a mistura dos frutos recém-colhidos com
os frutos de varrição, na sua maioria já em fase de deterioração. Segundo
Theodoro et al. (2002), a qualidade do grão é afetada pelo tipo de colheita, sendo
os cafés colhidos no chão, na maioria das vezes, de qualidade inferior ao dos
cafés colhidos no pano.
Brando (2004) comenta que os frutos recém-colhidos não deverão ser
armazenados em sacos ou silos por períodos superiores a 8 horas, pois, além dos
riscos de fermentação, a temperatura poderá atingir valores superiores a 40 oC e
assim resultam no defeito ardido. O mesmo autor enfatiza ainda que uma medida
emergencial para o armazenamento por períodos mais longos seria a imersão dos
frutos frescos em água. Deve-se ressaltar, no entanto, que após a colheita o café
deverá seguir imediatamente para o processamento evitando o armazenamento
dos frutos úmidos, diminuindo assim os riscos de perda da qualidade, ocorrência
de fungos e microtoxinas.
Existem diferenças marcantes na anatomia, na composição química e no
teor de água do fruto do cafeeiro em função do seu estágio de maturação. A
grande heterogeneidade dos frutos provenientes da lavoura, além de
comprometer a qualidade final, irá dificultar as operações posteriores. Quanto
mais homogêneo tornar-se o lote colhido ao longo de todas as operações pós-
colheita, maior será a eficácia do processamento do café.
A escolha do modo de processamento do café é decisiva na rentabilidade
da atividade cafeeira e dependerá de diversos fatores tais como: condições
climáticas da região, disponibilidade de capital, tecnologia e equipamentos,
exigências do mercado consumidor quanto às características do produto, outorga
para uso de água e disponibilidade de tecnologia para o tratamento das águas
residuárias. Assim, pode-se dizer que três aspectos são fundamentais na escolha
do método de processamento do café: a relação custo/benefício do método de
processamento, a necessidade de atendimento à legislação ambiental e o padrão
10
10
desejado de qualidade (Saath et al., (2010); Resende et al., (2011); Borém,
(2008); Mendonça et al., (2007)).
Historicamente, dois diferentes métodos são usados para o processamento
do café: a via seca e a via úmida. Na Figura 2 são apresentados estes métodos.
Na via seca, os frutos são processados na sua forma integral, ou seja, com
a casca, produzindo frutos secos, conhecidos como café em coco ou café natural.
Na via úmida são produzidos os cafés em pergaminho.
No Brasil, Etiópia e Iêmen predomina o processamento por via seca para o
café arábica, sendo essa também a via de processamento usada em
praticamente todo o café robusta no mundo (Brando, 2004).
Figura 2. Processamento do café.
11
11
2.2.1. Processamento via seca
A produção de café natural, tradicionalmente conhecido como via seca, é o
modo mais antigo e mais simples de processar o café e consiste em submetê-lo à
secagem na sua forma integral. É largamente usado nas regiões tropicais onde há
uma estação seca característica durante o período de colheita.
Segundo Vicent (1987), a via seca consiste na secagem de todos os frutos
imediatamente após a colheita. Na verdade, apesar de ser a situação mais
frequente, essa é apenas uma das opções desse processo, em geral aplicada por
produtores sem a infraestrutura adequada para o processamento. Todo o café,
seja ele formado somente por frutos maduros, verdes, secos ou mesmo a mistura
desses, quando secados mantendo-se a casca, terá sido processado pela via
seca.
Nessa forma de processamento, as impurezas provenientes da lavoura são
removidas e os frutos são separados de acordo com sua densidade no lavador,
resultando em lotes com diferentes teores de água. Trata-se do processo que
menos afeta a condição natural do café, pois todas as suas partes constituintes
são mantidas. Além disso, este é o processo que menos agride o meio ambiente,
produzindo poucos resíduos sólidos e líquidos, não havendo produção de
efluentes com elevado teor de matéria orgânica como acontece na via úmida.
Algumas alterações são observadas durante o processamento via seca
conferindo ao café natural características distintas do café despolpado. O
exocarpo, originalmente vermelho ou amarelo, torna-se escuro formando o
conhecido café coco. O fruto cereja contrai durante a secagem cerca de 40% do
seu volume inicial, no entanto, a contração volumétrica de uma mistura de frutos
dependerá da proporção de frutos cereja, verde e boia (Borém, 2008).
Segundo alguns autores, parte da mucilagem pode ser transferida para a
semente tornando a película prateada mais escura e aderida ao endosperma
comparativamente aos cafés produzidos pela via úmida. A transferência, no
entanto, de constituintes da mucilagem para a semente ainda não está totalmente
comprovada. A coloração dos grãos é marrom-amarelada enquanto a coloração
dos grãos despolpados é verde-azulada (Puerta-Quintero, (2000); Wilbaux,
(1963)). Em geral, os cafés produzidos pela via seca apresentam atributos
12
12
sensoriais que os distinguem dos cafés produzidos pela via úmida, como menor
acidez e maior corpo (Illy & Viani, (1995); Puerta-Quintero, (1996); Toselo, (1957);
Vilela, (2002); Vincent, (1987); Wilbaux, (1963)), sendo ingrediente essencial para
as ligas de café expresso.
A qualidade final do café natural, no entanto, dependerá de diversos fatores
desde a colheita até os cuidados durante a secagem. Quando os frutos são
colhidos por derriça completa e secados sem qualquer tipo de separação ou
cuidado, serão produzidos cafés com bebida dura ou inferior. Em contrapartida,
se a colheita for seletiva, secando-se cuidadosamente somente frutos maduros,
sem a ocorrência de fermentações, é possível produzir cafés naturais de bebida
mole.
As explicações clássicas para a baixa qualidade observada no café
processado pela via seca referem-se principalmente à ausência de cuidados na
colheita, presença de frutos verdes, frutos brocados e fermentados. Além disso, a
secagem mais lenta, pela presença da casca, e o elevado teor de açúcares da
mucilagem aumentam os riscos de ocorrerem fermentações, as quais prejudicam
a qualidade do café. Essas explicações, no entanto, aparentemente conclusivas,
não são suficientes para explicar as diferenças na qualidade do café processado
por via seca e via úmida mesmo quando somente frutos maduros são
processados com os mesmos cuidados e em condições controladas (Amorim,
(1968); Angélico et al. (2011); Borém, (2008); Martins et al., (2005)).
2.2.2. Processamento via úmida
Os primeiros relatos do uso do processamento por via úmida na pós-
colheita do café datam por volta de 1730, nas Índias Orientais (Tosello, 1957).
Atualmente, a via úmida pode ser conduzida em três formas distintas:
removendo-se a casca mecanicamente e a mucilagem por meio de fermentação
biológica, resultando no café despolpado, sendo este o método mais tradicional e
usado na via úmida, em todo o mundo; removendo-se mecanicamente a casca e
parte da mucilagem, resultando no café cereja descascado, também conhecido
13
13
como CD, comumente usado no Brasil; ou removendo-se mecanicamente a casca
e a mucilagem, produzindo o café desmucilado (Borém, 2008).
Mazzafera (2002) afirma que no Brasil predomina a produção de café pela
via seca. A produção de cafés por via úmida (despolpados, descascados e
desmucilados) ainda é pequena, comparativamente ao volume total produzido.
Ainda assim, sua participação vem crescendo a cada ano, não apenas como
necessidade das regiões com maiores limitações para o processamento por via
seca, mas como medida para potencializar a obtenção de cafés de bebida fina,
mesmo nas regiões consideradas adequadas para a produção de cafés naturais.
Essa melhoria na qualidade a partir do descascamento, no entanto, não é
totalmente garantida, pois dependerá de diversos outros fatores como mostram os
resultados do trabalho desenvolvido por Silva (2003). Segundo o autor, o
levantamento realizado em 32 propriedades da região Sul de Minas Gerais
revelou que 75% das amostras apresentaram bebida dura. Apesar de não ter sido
encontrada nenhuma amostra com bebida riada ou rio, o autor relata que apenas
o descascamento não garantiu uma obtenção exclusivamente de bebidas mole ou
estritamente mole.
Descascamento
Independentemente do processo adotado na via úmida, a operação de
descascamento é comum para todos eles. O descascamento, ou remoção do
exocarpo, é uma operação realizada nos descascadores de cereja.
O descascador de cerejas recebe os cafés cereja e verde após separação
dos boias por um lavador. O descascador separa os verdes, retira a polpa das
cerejas, separa a polpa e repassa as cerejas não despolpadas, produzindo café
pergaminho limpo e sem danos físicos.
Outros equipamentos também são usados para o descascamento dos
frutos, como os descascadores de discos, pouco usados no Brasil.
14
14
Despolpamento
O despolpamento ocorre logo após o descascamento do café cereja. O
café descascado será conduzido para os tanques de fermentação, no qual
permanecerá por períodos que variam dentre 12 e 48 horas dependendo da
altitude e temperatura do local de processamento.
O objetivo da fermentação é a hidrólise da mucilagem facilitando sua
remoção na ação final de lavar o café. Dependendo das condições de secagem, a
mucilagem remanescente aderida ao pergaminho pode aumentar os riscos de
ocorrerem fermentações indesejáveis, que depreciam a qualidade do produto.
A fermentação pode ocorrer tanto a “seca” como imersa em água. A
fermentação mista significa o uso da fermentação a “seco” nas primeiras horas
com o objetivo de acidificar o ambiente rapidamente, evitando o desenvolvimento
de fungos, seguida pela fermentação com água. Segundo Wootton, citado por
Vincent (1987), o café despolpado perde cerca de 1% da matéria seca durante a
fermentação e algumas substâncias solúveis são lixiviadas. A perda parcial de
alguns compostos pode melhorar a qualidade do café a partir da redução da
adstringência e amargor da bebida (Vincent, 1987).
Após a fermentação, o café deverá ser lavado, manual ou mecanicamente,
para finalizar a remoção da mucilagem.
Desmucilamento
A operação de desmucilamento mecânico ocorre logo após o
descascamento do café com o objetivo de retirar a mucilagem que ainda
permanece aderida aos grãos. A remoção é mecânica e ocorre por meio do atrito
entre os grãos e dos grãos com um cilindro metálico.
A água é adicionada em pequenas quantidades para lubrificação e limpeza
da mucilagem. O café em pergaminho sai pela parte superior da máquina
enquanto a água sai pela parte inferior. O consumo de água neste equipamento é
variável dependo da regulagem dos registros de água, porém, apesar dos
menores volumes de efluente comparando-se com o descascamento, apresenta
15
15
maior teor de matéria orgânica, resultando em resíduos líquidos extremamente
impactantes ao meio ambiente. Os equipamentos disponíveis no mercado
apresentam capacidade variando de 2.000 a 3.600 litros de café por hora.
2.2.3. Custo de processamento do café
Como visto anteriormente, o processamento do café pode ser realizado de
formas distintas. A escolha do modo de processamento do café é decisiva na
rentabilidade da atividade cafeeira e dependerá de diversos fatores. A relação
custo-benefício, no entanto, envolve outras variáveis, tais como: porcentagem de
café cereja, porcentagem de café verde, ágio e deságio no momento da
comercialização. Assim, em decorrência da existência de tantas variáveis, é
comum o produtor questionar a viabilidade do descascamento em relação à
produção de cafés naturais. A resposta evidentemente não é simples,
necessitando de ferramentas computacionais que facilitem a tomada de decisão.
Além disso, o produtor deverá ser capaz de calcular o custo de cada
processamento considerando os custos fixos e variáveis (Borém, 2008).
O custo de processamento é composto dos seguintes itens:
a) custo fixo: definido como sendo todos aqueles que não variam com a
quantidade de café processado, portanto sua renovação acontece em
longo prazo. Nesse item estão incluídas as depreciações que são definidas
com um custo fixo necessário para substituir bens, quando tornados inúteis
pelo desgaste físico ou obsoletismo. Representa a reserva que o produtor
faz durante a vida útil provável dos bens, para a sua posterior substituição;
b) custo variável: definido como sendo aquele que varia de acordo com a
quantidade produzida e cuja duração é igual ou menor que um ciclo
produtivo. Nesse item estão incluídos os custos com a mão de obra e
energia elétrica;
c) custo total: o custo total é o parâmetro que melhor avalia o método de
processamento e é composto de custo variável e do custo fixo;
d) custo unitário: o custo unitário é obtido dividindo o custo total pela
quantidade de café processado.
16
16
2.3. Análise estatística multivariada
Para Kendall (1969), a análise univariada tem por objetivo a análise de uma
única variável. Se duas ou mais variáveis forem obtidas, no entanto, essas
poderão ser analisadas pela estatística multivariada.
A análise estatística multivariada ou multidimensional se preocupa com as
relações entre as variáveis e apresenta duas características: os valores das
diferentes variáveis devem ser obtidos sobre os mesmos indivíduos e estas
devem ser independentes e consideradas simultaneamente (Kendall, 1969).
A realização de uma análise múltipla sobre uma amostra fornece um
melhor entendimento na razão direta do número de variáveis utilizadas e permite
considerar, respectivamente, a variabilidade existente nas diversas propriedades
avaliadas.
Dentre as técnicas estatísticas de análise multivariada estão à análise de
agrupamento, análise de fatores e análise de componentes principais, que são
técnicas fundamentalmente diferentes e que podem ser aplicadas
independentemente, podendo ser complementares.
A análise multivariada refere-se a todos os métodos analíticos que
analisam simultaneamente múltiplas medidas em cada indivíduo ou objeto sob
investigação. Qualquer análise simultânea de mais de duas variáveis pode ser
considerada análise multivariada.
A análise multivariada conduz aos seguintes objetivos:
a) Redução de dados ou simplificação estrutural - o fenômeno estudado
deve ser representado da maneira mais simples possível, sem sacrificar
valiosas informações;
b) Ordenação e agrupamento - agrupamento de objetos, tratamentos, ou
variáveis similares baseados em dados amostrais ou experimentais;
c) Investigação da dependência entre variáveis - o estudo das relações
estruturais entre variáveis muitas vezes é de interesse do pesquisador;
d) Predição - relações entre variáveis devem ser determinadas para o
propósito de predição de uma ou mais variáveis com base na
observação de outras variáveis;
e) Construção e teste de hipóteses.
17
17
A seguir, as técnicas multivariadas empregadas para o desenvolvimento
deste trabalho serão expostas detalhadamente a fim de que sejam mais bem
compreendidas.
2.3.1. Análise de agrupamento (AA)
A análise de agrupamento é uma técnica multivariada que tem por objetivo
proporcionar uma ou várias partições na massa de dados, em grupos, por algum
critério de classificação, de tal forma que exista homogeneidade dentro e
heterogeneidade entre grupos (Mardia et al., 1980).
Conforme Reis (1997), de modo sintético, a técnica pode ser descrita como
se segue: dado um conjunto de n indivíduos para os quais existe informação
sobre a forma p variáveis, o método de análise de agrupamento procede ao
agrupamento dos indivíduos em função da informação existente, de tal modo que
os indivíduos pertencentes a um mesmo grupo sejam tão semelhantes quanto
possível e sempre mais semelhantes aos elementos do mesmo grupo do que aos
elementos dos grupos restantes.
Na análise de agrupamento, é fundamental ter particular cuidado na
seleção das variáveis de partida que vão caracterizar cada indivíduo e determinar,
em última instância, qual o grupo em que deve ser inscrito. Nesta análise, não
existe qualquer tipo de dependência entre as variáveis, isto é, os grupos se
configuram por si mesmos sem necessidade de ser definida uma relação causal
entre as variáveis utilizadas. Essa análise não faz uso de modelos aleatórios, mas
é útil por fornecer um sumário bem justificado de um conjunto de dados. As
técnicas são exploratórias e a ideia é, sobretudo, gerar hipóteses, mais do que
testá-las, sendo necessária a validação posterior dos resultados encontrados
através da aplicação de outros métodos estatísticos (Reis, 1997).
Genericamente, a análise de agrupamento compreende cinco etapas
(Aaker et al., 2001):
1. A seleção de indivíduos ou de uma amostra de indivíduos a serem
agrupados;
18
18
2. A definição de um conjunto de variáveis a partir das quais serão obtidas
informações necessárias ao agrupamento dos indivíduos;
3. A definição de uma medida de semelhança ou distância entre os
indivíduos;
4. A escolha de um algoritmo de partição/classificação;
5. Por último, a validação dos resultados encontrados.
Dendrograma
Dendrograma é uma representação matemática e ilustrativa de todo o
procedimento de agrupamento através de uma estrutura de árvore (Everitt et al.,
2001).
Os nós do dendrograma representam agrupamentos. Nós são compostos
pelos grupos e ou objetos (grupos formados apenas por ele mesmo) ligados a ele
(nó). Se o dendrograma é cortado em um nível de distância desejado, obtém-se
uma classificação dos números de grupos existentes nesse nível e dos indivíduos
que os formam. O número de grupos dos indivíduos é obtido pelo corte do
dendrograma em um nível desejado e então cada componente conectado forma
um grupo.
Figura 3. Exemplo de dendrograma
Medidas de distância
Para agrupar indivíduos, é necessária a definição de uma medida de
similaridade ou dissimilaridade. Com base nessa medida os indivíduos similares
19
19
são agrupados e os demais são colocados em grupos separados (Aaker et al.,
2001).
As medidas de dissimilaridade têm papel central nos algoritmos de
agrupamentos. Através delas são definidos critérios para avaliar se dois pontos
estão próximos, e, portanto, podem fazer parte de um mesmo grupo, ou não.
Existem várias medidas que podem ser utilizadas como medidas de
distâncias ou dissimilaridade entre elementos de uma matriz de dados. Cormack
(1971) descreve uma série de medidas possíveis: distâncias euclidiana,
euclidiana quadrada e euclidiana padronizada, distância corda, distância de Nei,
distância absoluta ou City - Block Metric, distância de Minkowski, distância
Mahalanobis, distância de Chebychev.
Neste trabalho utilizou-se a distância euclidiana, detalhada abaixo,
segundo Cormack (1971).
Distância Euclidiana: a distância entre dois casos (i e j) é a raiz quadrada
do somatório dos quadrados das diferenças entre valores de i e j para
todas as variáveis (v = 1, 2,..., p).
em que:
Xiv representa a característica do indivíduo i;
Xjv representa a característica do individuo j;
p é o número de parcelas na amostra;
v é o número do indivíduo na amostra.
Métodos de agrupamentos
A seguir, são apresentados diversos métodos de agrupamentos que fazem
parte dos métodos SAHN (“Sequencial, Agglomerative, Hierarquic,
Nonoverlapping Clustering Methods”). Vale salientar que, não existe o que se
20
20
possa chamar de melhor critério na análise de agrupamentos, mas alguns são
mais indicados para determinadas situações do que outros (Kaufmann e
Rousseeuw, 1990). É prática comum utilizar vários critérios e fazer a comparação
dos resultados. Se tais resultados forem semelhantes, é possível concluir que
eles possuem um elevado grau de estabilidade e, portanto, são confiáveis.
Os métodos mais comuns de agrupamento para determinar a distância
entre agrupamentos são: ligação simples e ligação completa (Anderberg, 1973).
Método da ligação simples
O método da ligação simples, segundo Orlóci (1978); Gama (1980); e
Mardia et al. (1980), é uma técnica de hierarquização aglomerativa e tem como
uma de suas características não exigir que o número de agrupamentos seja
fixado a priori.
No método da ligação simples (Figura 4), os agrupamentos entre objetos e
grupos ou entre grupos são feitos por ligações simples entre pares de objetos, ou
seja, a distância entre os grupos é definida como sendo aquela entre os objetos
mais parecidos entre esses grupos. Este método leva a grupos longos se
comparados aos grupos formados por outros métodos de agrupamentos SAHN
(Meyer, 2002). Os dendrogramas, resultantes deste procedimento, são,
geralmente, pouco informativos, devido à informação dos indivíduos
intermediários que não são evidentes (Carlini-Garcia, 1998).
Figura 4. Método da ligação simples (vizinho mais próximo) (Jônatas, 2012)
21
21
Método da ligação completa
Este método é também denominado de método do elemento mais distante,
sendo uma das técnicas de hierarquização aglomerativa de maior aplicação na
análise de agrupamento (Gama, 1980), portanto utilizado neste trabalho. Como no
método de ligação simples, aqui também não é exigida a fixação, a priori, do
número de agrupamentos.
Conforme Bussab et al. (1990), no método da ligação completa, também
denominado vizinho mais distante (Figura 5), a dissimilaridade entre dois grupos é
definida como sendo aquela apresentada pelos indivíduos de cada grupo que
mais se parecem, ou seja, formam-se todos os pares com um membro de cada
grupo e a dissimilaridade entre os grupos é definida pelo par que mais se parece.
Este método, geralmente, leva a grupos compactos e discretos, tendo os seus
valores de dissimilaridade relativamente grande.
Figura 5. Método da ligação completa (vizinho mais distante) (Jônatas, 2012)
2.3.2. Análise de componentes principais (ACP)
Segundo Pontes (2005), a ACP compreende uma das mais antigas
técnicas de análise multivariada que tem por finalidade a análise de estruturas
de covariâncias e correlações em matrizes simétricas positivas. Ou seja, essa
ferramenta realiza a transformação de variáveis correlacionadas em outro
grupo de variáveis não correlacionadas e ainda tem a capacidade de reduzir a
22
22
dimensionalidade dos dados. Nesse sentido, a ACP pode ser usada na análise
final ou intermediária dos dados.
A análise de agrupamento hierárquico (análise de cluster) e de
componentes principais são técnicas de estatística multivariada
complementares que têm grande aceitação na análise de dados.
É uma técnica que possibilita a análise com um grande número de
dados disponíveis e, também, identifica as medidas responsáveis pelas
variações relevantes entre os resultados, com as menores perdas de
informações possíveis.
A ACP transforma um conjunto de variáveis originais em outro, os
componentes principais (CP) com dimensões equivalentes, buscando eliminar
algumas das variáveis originais que contenham pouca informação. Cabe
ressaltar que a redução de variáveis iniciais somente é possível quando essas
não forem independentes e possuírem coeficiente de correlação não nulos.
Uma análise de componentes principais tem por objetivo a substituição
de um conjunto de variáveis correlacionadas por outro conjunto de novas
variáveis não correlacionadas, onde essas são combinações lineares das
variáveis originais, dispostas em ordem decrescente de variâncias (Verdinelli,
1980).
Na determinação das CP, calcula-se a matriz de variância-covariância
(∑) ou a matriz de correlação (R), encontram-se os autovalores (Ʌ) e os
autovetores (x) e, finalmente, escrevem-se as combinações lineares, ou seja,
as componentes principais, onde cada uma delas é uma combinação linear de
todas as variáveis originais (Regazzi, 2001).
A primeira etapa da ACP é a transformação da matriz de dados n x p
em uma matriz quadrada, onde n é o número de indivíduos e p representa um
conjunto de variáveis. A interdependência entre as variáveis é representada
pela matriz de variância-covariância (∑) ou a matriz de correlação R.
23
23
2.3.3. Análise de fatores (AF)
Conforme Pereira (2006), a análise de fatores (AF) é um processo
estatístico que se destina à redução e a sintetização dos dados. Foi desenvolvida
por Charles Spearman em 1904.
Malhotra (2011) afirma que a análise de fatores deve ser utilizada nas
seguintes situações:
identificação das dimensões latentes ou fatores que expliquem as
correlações entre um conjunto de variáveis;
identificação de um novo conjunto, menor do que o inicial, de variáveis
não correlacionadas em substituição ao conjunto de variáveis
correlacionadas na análise multivariada seguinte (regressão ou análise
discriminante);
identificação, em um conjunto maior, de um conjunto menor de variáveis
que se destacam para uso em uma análise multivariada posterior.
Cada variável pode ser expressa como uma combinação linear de fatores
subjacentes.
Malhotra (2011) explica que a análise de componentes principais (ACP)
leva em consideração a variância total dos dados, onde sua maior preocupação é
a identificação do número mínimo de fatores que levam a máxima variância nos
dados para o emprego na análise que se pretende realizar. Já a análise de fatores
(AF) leva em consideração a variância comum nos dados. Sua principal função é
a identificação das dimensões subjacente, onde a variância comum é um fator de
interesse.
A análise de fatores tem como objetivos principais:
Analisar as inter-relações entre um grande número de variáveis em
termos de poucas, mas não observáveis, variáveis chamadas fatores.
Verificar se é possível descrever um conjunto de p variáveis em um
conjunto menor de índices ou fatores que explicam tanto sobre o
fenômeno, quanto o conjunto original.
24
24
3. MATERIAL E MÉTODOS
3.1. Definição dos custos dos processamentos a serem calculados
A primeira etapa deste trabalho foi definir quais os tipos de cafés
produzidos seriam considerados pelo sistema. Foram eles: café da roça, café
boia, café cereja e verde, café verde, café cereja descascado, café cereja
desmucilado e café cereja despolpado. Todos estes tipos com a opção de
secagem em terreiro ou secador.
Nesta etapa foram definidos os custos a serem calculados para os
processamentos do café na fase de pós-colheita.
Na Tabela 1 são apresentados os principais custos calculados pelo
sistema, bem como o resumo de suas fórmulas.
Tabela 1. Principais variáveis de custos calculados e suas respectivas fórmulas.
Variável Fórmula
Custo da Energia Elétrica (Total de Energia das Máquinas * Valor do
kWh) / Quantidade de Sacas
Custo da Mão de Obra no
Processamento
(Quantidade de Operadores das Máquinas *
Valor do Dia * Tempo de Colheita) /
Quantidade de Sacas
Custo da Mão de Obra no Terreiro (Quantidade de Terreireiros da Colheita
25
25
Total * Valor do Dia) / Quantidade de Sacas
Custo de Depreciação Total (Custo de Depreciação de Máquinas +
Custo de Depreciação de Terreiro) /
Quantidade de Sacas
Custo do Combustível
(Este custo considera todos os
tipos de café submetidos ao
secador)
(Quantidade de Secadores * Tempo Efetivo
de Secagem / Tempo Total de Secagem) *
Tempo de Colheita * 24 * Custo de
Secagem por Hora) / Quantidade de Sacas
3.2. Identificação das variáveis necessárias para o cálculo dos custos
definidos
Uma vez definidos os principais custos dos processamentos de pós-
colheita do café, as variáveis necessárias para o cálculo destes custos foram
determinadas.
A partir das fórmulas das variáveis de custos (Tabela 1), definiu-se a
necessidade das seguintes variáveis de entrada: produção (sacas), tempo de
colheita (dias), porcentagem média de café cereja, porcentagem média de café
verde, porcentagem média de café boia, valor da tarifa (R$/kWh), valor do dia
homem (R$), valor da saca do café padrão (R$), valor das sacas dos tipos de café
(R$), tipo de terreiro, tanque de fermentação, tratamento de águas residuais,
espessura da camada de café no terreiro para cada tipo de café (metros), tempo
de secagem no terreiro dos tipos de café (dias), tempo efetivo de secagem no
secador dos tipos de café (horas), tempo total de secagem no secador dos tipos
de café (horas), tempo máximo de funcionamento das máquinas agrícolas
(horas/dia), lavador, peneirão, descascador, ecofiltro, desmucilador, gastos com
edificações, mão de obra para o processamento do café, tempo máximo de
funcionamento do secador (horas/dia), secador, conjunto elevador, galpão do
secador, sistema de aquecimento de ar, combustível utilizado para secar o café.
26
26
3.3. Implementação do sistema de apoio à decisão “Pós-Café”
O desenvolvimento da aplicação utilizou as seguintes ferramentas:
Linguagem de Programação
A linguagem de programação escolhida para a implementação foi o Visual
Basic.
Os principais motivos para escolha desta linguagem foram:
Linguagem fácil: considerando a pouca experiência dos
desenvolvedores.
Suporte a vários padrões gráficos: necessário para os resultados das
simulações.
Linguagem de Modelagem
Utilizou-se para a modelagem do sistema “Pós-Café” a linguagem UML
(Unified Modeling Language), que é uma linguagem gráfica para visualização,
especificação, construção e documentação de artefatos de sistemas complexos
de software (Booch e Rumbaugh, 2006).
A modelagem do sistema foi realizada no programa Rational Rose (Rose,
2011).
Banco de Dados
Foi escolhido o Access (2011) como banco de dados. Este, assim como
seu driver, não precisa ser instalado na máquina do usuário, tornando simples a
instalação do “Pós-Café”.
27
27
Gerência de Configuração
A ferramenta utilizada durante o desenvolvimento do projeto, a fim de
ajudar na gerência de configuração, foi o Subversion (2011). Esta ferramenta
auxilia organizando os arquivos, com a finalidade de manter sempre versões
atualizadas em todas as máquinas dos desenvolvedores.
Verificação do Sistema
Durante o desenvolvimento do sistema foram realizados dois tipos de
testes:
Realizados pelos desenvolvedores do sistema: dizem respeito às
verificações feitas pelos desenvolvedores a fim de confirmar se os
resultados obtidos pelo sistema correspondiam às especificações dos
requisitos.
Realizados por produtores de café: alguns produtores, potenciais
auxiliadores, receberam cópias do “Pós-Café”, no intuito de que os
mesmos retornassem sugestões, melhorias e possíveis alterações no
sistema, a fim de que o software pudesse corresponder ao máximo com
a realidade da pós-colheita do café.
3.4. Aplicação de questionários aos produtores de café
As 46 fazendas entrevistadas neste trabalho estão localizadas nas regiões:
Cerrado, Matas de Minas e Sul de Minas. Possuem altitude média de 938 metros,
variando entre 715 metros e 1150 metros, e temperatura média de 24º C,
variando entre 15º C e 29º C. Em relação à área utilizada na produção de café
declarada pelas mesmas tem-se em média 226,58 hectares.
As regiões estudadas foram escolhidas devido aos diversos tipos de
processamentos na fase de pós-colheita do café, possibilitando o estudo mais
completo do dimensionamento da infraestrutura nesta fase de processamento.
28
28
3.5. Análises estatísticas
3.5.1. Análise estatística para validação do sistema de apoio à decisão “Pós-
Café”
Apesar de 46 fazendas terem respondido ao questionário proposto, apenas
34 tiveram condições de declarar a estimativa de custo. Portanto, especificamente
para esta análise, os dados de cada questionário respondido por 34 fazendas
foram utilizados como entradas em simulações processadas no “Pós-Café”. A
proposta foi o estudo detalhado dos relatórios de custo de processamento
produzidos pelo sistema.
Para cada fazenda entrevistada realizou-se uma simulação de programa
computacional. Estas foram armazenadas em arquivos de computador originados
por funcionalidade da própria ferramenta “Pós-Café”, em extensão “.pos”. Dessa
forma, as simulações puderam ser analisadas a qualquer momento.
Os dados dos 34 questionários respondidos pelas fazendas, juntamente
com as simulações de programa computacional originadas pelo “Pós-Café”, foram
comparados com os resultados dos custos declarados de processamento
informados pelos responsáveis das fazendas.
Analisando os dados de custos de processamento por simulação e custos
declarados informados pelos produtores, e verificando distribuição normal e
variância homogênea, foi proposta, para a validação da ferramenta “Pós-Café”,
uma análise estatística considerando teste paramétrico, com comparações de
médias, especificamente o teste de t de Student.
3.5.2. Análise estatística multivariada em dados de custos da fase de pós-
colheita do café
Devido ao grande número de variáveis que influenciam os custos de
processamentos do café em sua fase de pós-colheita, essa análise tem por
objetivo estudar as principais variáveis influentes neste custo, por meio da
29
29
utilização de um sistema de apoio à decisão (“Pós-Café”) e técnicas estatísticas
multivariadas.
Os dados de cada questionário respondido nas 46 fazendas foram
utilizados como entrada em simulações processadas no sistema de apoio à
decisão para gestão da pós-colheita do café, denominado "Pós-Café" (Borém,
2008).
Os softwares utilizados para realização das análises foram: Statistica e o R.
Nesta etapa do trabalho abordaram-se técnicas estatísticas multivariadas para o
estudo aprofundado dos dados dos questionários aplicados às 46 fazendas.
Análise de agrupamento das fazendas: foram trabalhadas variáveis
quantitativas, por análise de agrupamento, na finalidade de classificá-las em
grupos relativamente homogêneos e verificar as similaridades entre as mesmas
(Mardia et al., 1997). Os dados foram padronizados e a distância escolhida foi a
euclidiana média, devido à ausência de repetições nos tratamentos, conforme
sugere Cormack (1971). O método de agrupamento escolhido foi o método da
ligação completa, o qual tem tendência a formar grupos compactos (Kaufmann e
Rosseeuw, 1990).
Análise de fatores: utilizada para explicar o comportamento de um número
relativamente grande de variáveis respostas, em termos de um pequeno número
de fatores (Malhotra, 2001). Além disso, também foram estudadas as correlações
entre as variáveis, principalmente em relação ao custo simulado da pós-colheita.
Para a seleção do número de componentes optou-se pelo critério de Kaiser,
citado por Mardia et al. (1997), ou seja, autovalores maiores que 1.
Análise de componentes principais: teve caráter confirmatório, tanto com
objetivo de confirmação dos grupos de variáveis formados pela análise de
agrupamento, quanto em relação às correlações identificadas na análise de
fatores (Jackson, 1980).
3.5.3. Análise estatística para a estimativa da infraestrutura
Para esta análise também foram considerados os dados de cada
questionário respondido pelas 46 fazendas.
30
30
A proposta foi o estudo detalhado e comparativo entre os dados declarados
e simulados, pelo “Pós-Café”, em relação à área de terreiro e a capacidade dos
secadores. Sendo realizada uma simulação de programa computacional para
cada fazenda entrevistada.
Analisando-se os dados de infraestrutura simulados e declarados pelos
produtores nos questionários, e diante de amostras com dimensões superiores a
30 observações, foi proposta, para a análise comparativa da infraestrutura, uma
análise estatística considerando teste paramétrico, com comparações de médias,
especificamente o teste T-pareado (Souza et al., 2012; Roessler et al., 1978).
Para esse procedimento estatístico utilizou-se o programa Statistica, versão 8.
3.5.4. Análise estatística para o desenvolvimento de cenários utilizando o
sistema de apoio à decisão “Pós-Café”
Também considerou os dados de questionários respondidos para 46
fazendas.
Realizou-se o desenvolvimento de cenários por intermédio de simulações
de custos no “Pós-Café”, as quais consideravam vias de processamento
alternativas para cada uma das 46 fazendas.
Analisando-se os dados de margem líquida entre os processamentos
originalmente implantados nas fazendas e os processamentos alternativos
propostos e diante de amostras com dimensões inferiores a 30 observações, foi
proposto inicialmente o teste Lilliefords para verificação de normalidade e, uma
vez verificada a normalidade dos dados, o procedimento do teste de t de Student
foi aplicado com o objetivo de comparação de médias com uma constante de
referência, no caso zero.
31
31
4. RESULTADOS E DISCUSSÃO
4.1. Sistema de apoio à decisão “Pós-Café”
O “Pós-Café” consiste em um sistema de apoio à decisão para gestão da
pós-colheita do café, ou seja, emprega o conhecimento humano para resolver
problemas que requerem a presença de um especialista nesta fase de
processamento do café.
A principal contribuição do “Pós-Café”, a partir da modelagem e
sistematização desse conhecimento, é facilitar a tomada de decisão por parte dos
produtores, cooperativas e consultores da área, quanto aos processamentos, de
melhor custo-benefício, a serem aplicados durante a fase de pós-colheita do café.
Esta decisão seria facilitada à medida que se conhecesse o custo dos processos
de separação, descascamento, despolpamento, desmucilamento e secagem do
café, bem como, a receita originada pela venda dos cafés produzidos após a
aplicação destes processamentos.
A ideia básica do sistema é possibilitar que o usuário escolha dois dos
possíveis processamentos do café, conforme ilustrado na Figura 2, para que seja
realizada uma simulação de custos e comparação entre os mesmos.
Inicialmente, os componentes da Figura 6 estariam desabilitados e, na
medida em que o usuário do sistema fosse clicando com o mouse nos tipos de
32
32
café, bem como nas máquinas agrícolas, o fluxo de processamento seria
montado.
Figura 6. Tela de escolha de processamentos da ferramenta “Pós-Café”.
Após a escolha dos processamentos, o usuário deve fornecer os dados
relacionados à produção, de acordo com alguns formulários de entrada de dados
(Figura 7).
Figura 7. Tela de entrada de dados da ferramenta “Pós-Café”.
33
33
O sistema “Pós-Café” processará e retornará relatórios de receita dos
processamentos (Figura 8), de custos dos processamentos (Figura 9) e da
margem líquida (Figura 10) entre os mesmos.
Figura 8. Tela de relatório da receita dos processamentos do “Pós-Café”.
Figura 9. Tela de relatório da receita dos processamentos do “Pós-Café”.
Figura 10. Tela de relatório da margem líquida do “Pós-Café”.
34
34
A partir dos relatórios informativos, gerados pelo sistema, o produtor terá
facilitada a sua tomada de decisão quanto aos processamentos a serem
aplicados a sua produção:
Relatório da receita (Figura 8): Este relatório apresenta o total de sacas
produzidas para os tipos de café selecionados no processamento
escolhido. Para cada um dos tipos de café também são mostrados os
valores em reais de cada saca e a receita total.
Relatório de custos (Figura 9): Este relatório apresenta os custos por
saca, em reais, separados pelas categorias de energia elétrica, mão de
obra com o processamento do café (operadores das máquinas
agrícolas), mão de obra no terreiro (terreireiros trabalhando no
revolvimento do café no terreiro), depreciação total (depreciação do
terreiro e das máquinas agrícolas) e o custo de combustível (utilizado
na secagem mecânica do café).
Relatório da margem líquida (Figura 10): Este relatório apresenta o
valor em dinheiro, por saca de café, que o produtor irá ganhar ou perder
quando o mesmo escolher por um tipo de processamento do café em
relação a outro tipo. Considerando o exemplo da Figura 10, o produtor
perderá quatro reais e um centavo caso opte pelo processamento um
(1) ao invés do processamento dois (2).
Todos os relatórios mostrados anteriormente (relatórios de receita líquida,
de custos dos processamentos e da margem líquida) levam em consideração os
valores de porcentagem de café cereja, porcentagem de café verde, ágio e
deságio das sacas de cafés informados nos formulários de entrada de dados
(Figura 7).
A Figura 11, todavia, mostra um gráfico de margem líquida gerado pela
ferramenta “Pós-Café”.
35
35
Figura 11. Tela de gráfico da margem líquida da ferramenta “Pós-Café”.
Pelo gráfico da margem líquida o produtor pode visualizar outras situações
considerando diferentes ágios (valor em real referente à diferença entre as sacas
do tipo de café de maior valor de cada processamento) e porcentagens de cereja
(porcentagem de café cereja no momento da colheita).
Conjecturando sobre estes pontos, o produtor pode identificar em que
momento é viável ou não, financeiramente, um processamento em relação ao
outro.
Pela Figura 11 observa-se destacado o ponto 30% de cereja e 20 reais de
ágio, que representa a diferença entre as sacas de maior valor do processamento
um (saca do café cereja descascado: R$380,00) e do processamento dois (saca
do café cereja e verde: R$360,00). Neste ponto, a margem líquida é de
aproximadamente menos quatro reais e um centavo (-4,01), ou seja, optar pelo
processamento um (1) em relação ao processamento dois (2), para estas
condições, fará com que o produtor deixe de ganhar quatro reais e um centavo (-
4,01) por saca de café produzido. Para outras condições, por exemplo, o ponto
40% de cereja e 30 reais de ágio, o processamento dois (2) é preferível em
36
36
relação ao processamento um (1) no valor de dois reais e cinquenta e seis
centavos (2,56).
Resumindo, o gráfico é um recurso da ferramenta que simula novas
situações no sentido de auxiliar o produtor na tomada de decisões.
4.2. Análise estatística para validação do sistema de apoio à decisão “Pós-
Café”
Para a validação do sistema “Pós-Café” foram comparados os custos
declarados por saca de café durante seu processamento na fase de pós-colheita,
informados pelos responsáveis das fazendas entrevistadas, com os custos
simulados no sistema “Pós-Café”, considerando como dados de entrada as
respostas dos questionários aplicados às mesmas fazendas.
A estatística de validação do “Pós-Café”, portanto, considerou os dados de
custos declarados e simulados de 34 fazendas, conforme mostra a Tabela 2.
Tabela 2. Dados de custos declarados e simulados das fazendas do sul de Minas Gerais.
Fazenda Custo Declarado Custo Simulado
1 R$ 6,00 R$ 6,98
2 R$ 2,10 R$ 4,08
3 R$ 9,00 R$ 8,66
4 R$ 15,00 R$ 11,82
5 R$ 6,00 R$ 9,36
6 R$ 15,00 R$ 7,76
7 R$ 20,00 R$ 17,72
8 R$ 8,50 R$ 8,04
9 R$ 10,00 R$ 11,17
10 R$ 12,22 R$ 8,59
37
37
11 R$ 8,45 R$ 5,24
12 R$ 8,50 R$ 8,35
13 R$ 12,00 R$ 9,61
14 R$ 7,15 R$ 10,00
15 R$ 6,00 R$ 8,98
16 R$ 10,04 R$ 8,13
17 R$ 13,02 R$ 9,32
18 R$ 10,30 R$ 10,20
19 R$ 7,00 R$ 7,01
20 R$ 6,00 R$ 6,95
21 R$ 4,00 R$ 8,55
22 R$ 5,00 R$ 9,27
23 R$ 5,80 R$ 6,05
24 R$ 2,50 R$ 4,54
25 R$ 8,00 R$ 5,25
26 R$ 9,50 R$ 14,16
27 R$ 9,50 R$ 9,41
28 R$ 8,80 R$ 9,39
29 R$ 8,00 R$ 10,85
30 R$ 8,00 R$ 6,92
31 R$ 12,00 R$ 11,69
32 R$ 10,00 R$ 9,25
33 R$ 10,00 R$ 9,36
34 R$ 10,00 R$ 15,24
38
38
Para a validação estatística foi utilizado o teste t de Student. O teste t é
aplicado para testar hipóteses referentes a médias populacionais, quando as
variáveis apresentam-se normalmente distribuídas com variâncias desconhecidas.
De acordo com Ribeiro Júnior e Melo (2009), trata-se de um caso de duas
populações dependentes, portanto, a variável aleatória de interesse foi a
diferença entre os pares de duas amostras, no lugar dos valores delas próprias,
que devem ter o mesmo tamanho.
Na análise de estatística descritiva dos dados de custos, temos as
seguintes informações, mostradas na Tabela 3.
Tabela 3. Estatística descritiva dos dados de custos de processamento.
Y1 = Custos Declarados de Processamentos
Y2 = Custos Simulados de Processamentos
D = Y1 - Y2 = Diferença entre os Custos Declarados e Simulados de
Processamentos
Após a estatística descritiva realizou-se o teste de Lilliefords com o objetivo
de verificação de normalidade, conforme Tabela 4.
Tabela 4. Verificação de normalidade.
Como o valor calculado (0,0746) é menor do que os valores tabelados (α =
0,05 e α = 0,01), não se rejeita a hipótese H0, portanto, a variável aleatória D
segue distribuição normal.
Variáveis Mínimos Máximos Perdidos Válidos
REP 1,0 34,0 0 34
Y1 2,10 20,0 0 34
Y2 4,08 17,7 0 34
Variáveis Valor Calculado Valor (P=0,05) Valor (P=0,01)
D 0,0746 0,152 0,177
39
39
Uma vez verificada a normalidade dos dados, o procedimento do teste de t
de Student (Tabela 5) foi aplicado com o objetivo de comparação de médias. As
hipóteses testadas foram: H0 (µD=0) vs Ha (µD≠0), em que D representa a
diferença entre as duas populações.
Tabela 5. Teste de t de Student para comparação de médias.
Observa-se que a diferença média foi igual à zero (P=0,7842 > α=0,05), logo,
não existe diferença entre as médias das variáveis Y1 e Y2.
Assim, pode-se afirmar que os resultados de cálculos de custo de
processamento na fase de pós-colheita do café pelo sistema “Pós-Café” estão
coerente com os custos informados pelos produtores responsáveis pelas 34
fazendas.
4.3. Análise estatística multivariada para o custo da fase de pós-colheita do
café
A Tabela 6 apresenta as respostas das 46 fazendas aos questionários
aplicados para algumas das variáveis de entrada.
Tabela 6. Dados de 46 fazendas entrevistadas para as variáveis de entrada selecionadas.
Fazenda QS
(sacas)
QDC
(dias)
PCVU
(%)
CMO
(R$)
TER
(m2)
SEC
(litros)
CSIM
(R$)
1 19000 80 30 30 18000 120000 6,98
2 10000 85 0 50 21000 0 4,08
3 6000 120 28,33 42 10000 0 8,66
Variáveis Dados Médias Desvios T GL Probabilidade
Y1 8,9229 3,6222
D 34 -0,1329 2,8073 -0,276 33 0,7842
Y2 9,0559 2,8611
40
40
4 4000 60 0 50 7000 39000 11,82
5 1700 100 0 50 3800 0 9,36
6 2100 60 0 30 5500 0 7,76
7 6000 90 35,83 50 6000 64000 17,72
8 9000 90 11 25 17900 51000 8,04
9 4000 120 50 45 7300 30000 11,17
10 900 45 0 50 3000 0 8,59
11 1500 60 0 40 4000 0 5,24
12 4500 70 0 45 9000 0 8,35
13 5000 80 0 40 8800 39000 9,61
14 6000 75 0 60 10300 0 10
15 13500 60 17 40 21000 60000 8,98
16 2300 70 0 50 9500 0 8,13
17 800 26 0 50 5000 0 9,32
18 8000 50 0 45 6000 0 10,2
19 1300 80 0 35 3000 0 7,01
20 8000 105 0 45 10600 45000 6,95
21 6500 45 0 50 10000 88000 8,55
22 8500 90 0 46 11000 30000 9,27
23 3500 95 0 30 12000 0 6,05
24 4700 80 0 30 10000 0 4,54
25 4000 90 0 40 6000 22000 5,25
26 18000 120 31 40 46600 123000 14,16
27 16000 100 35 40 20000 171000 9,41
28 6000 90 40 55 12000 60000 9,39
29 6000 80 0 40 10000 30000 10,85
30 38000 110 48 30 66000 150000 6,92
31 6000 72 56 45 27000 72000 11,69
32 35000 90 20 45 85000 126000 9,25
33 11000 60 40 45 20000 90000 9,36
34 1800 100 0 50 4500 0 15,24
35 3000 120 78 30 6600 22500 24,23
36 12200 45 65 40 47000 141000 14,77
37 4000 50 57,5 49 10500 65500 25,77
38 16500 140 30 51,5 29500 84000 9,83
39 27500 110 0 26 37300 210000 10,18
41
41
40 1804 75 56 40 6500 35000 15,19
41 12000 100 40 30 20000 90000 17,18
42 20000 100 47 42 27700 105000 11,29
43 10000 100 0 42 21400 36000 10,78
44 5312 100 55 75 10500 67500 12,57
45 8000 120 55 30 8000 69000 12,99
46 5000 90 60 30 3000 57500 18,07
As variáveis apresentadas na Tabela 6 possuem os seguintes significados:
QS - Quantidade de sacas de café colhidas (sacas);
QDC - Quantidade de dias necessários para a colheita do café (dias);
PCVU - Porcentagem de café via úmida produzidos (%);
CMO - Custo de mão de obra por dia de trabalho (R$);
TER - Área de terreiro declarada (metros quadrados);
SEC - Capacidade de secadores declarada (litros);
CSIM - Custo simulado de pós-colheita por saca de café (R$).
As seis primeiras variáveis tem como respostas os dados declarados pelos
responsáveis das fazendas entrevistadas. Já a variável número 7, a saber, CSIM,
possui dados originados por intermédio de simulações de software realizadas na
ferramenta “Pós-Café”.
Para os dados referentes aos custos da fase de pós-colheita do café
contidos na Tabela 6, foram aplicadas as técnicas de análise multivariada: análise
de agrupamento, análise de fatores e análise de componentes principais.
4.3.1. Análise de agrupamento para os custos da fase de pós-colheita do
café
Na realização da análise de agrupamento, para dados padronizados, pelo
método de ligação completa e distância euclidiana, o resultado foi o dendrograma
da Figura 12.
42
42
CMO CSIM PCVU QDC SEC TER QS2
3
4
5
6
7
8
9
10
11
Dis
tân
cia
Figura 12. Dendrograma vertical dos dados de custos da fase de pós-colheita do café.
No dendrograma elaborado verifica-se, tomando como base a distância
5,60, a formação de 4 grupos distintos: um grupo composto pela variável CMO;
um grupo composto pelas variáveis CSIM e PCVU; um grupo composto pela
variável QDC; e um grupo composto pelas variáveis SEC, TER e QS. Uma vez
que estes grupos são formados pelas similaridades existentes entre as variáveis,
cabe ressaltar que o CSIM e PCVU possuem elevada homogeneidade, ou seja,
são variáveis correlacionadas.
4.3.2. Análise de fatores para os custos da fase de pós-colheita do café
Além de se realizar um estudo das correlações entre as variáveis, mediu-se
a adequação dos dados através do teste KMO, o qual forneceu um valor de 0,61
e o Bartlett Test com valor de 2669,629 e nível de significância de p = 0,000.
Através desses valores, demonstra-se que a análise de fatores pode ser
conduzida, obtendo um grau de adequação próximo de razoável, conforme a
classificação do KMO (Bezerra e Corrar, 2006).
Esta análise explicou o comportamento das sete variáveis respostas, em
termos de dois fatores. As variáveis respostas foram agrupadas por meio de suas
correlações.
43
43
Considerando as sete variáveis e analisando-se os resultados obtidos,
pode-se verificar que o 1° e 2º autovalores são maiores que 1 e explicam 65,83%
da variância, conforme apresentado pela Tabela 7. Os demais autovalores são
menores que 1, portanto, os dados serão resumidos pelo 1º e 2º componentes
principais.
Tabela 7. Extração de autovalores: utilizando o método das componentes principais.
Valor Autovalor % Variância Total Autovalor Cumulativo Cumulativo %
1 2,984130 42,63043 2,984130 42,6304
2 1,624432 23,20617 4,608562 65,8366
3 0,983149 14,04498 5,591711 79,8816
4 0,796313 11,37590 6,388024 91,2575
5 0,286391 4,09130 6,674415 95,3488
6 0,261929 3,74184 6,936344 99,0906
7 0,063656 0,90937 7,000000 100,0000
A Figura 13 mostra os planos fatoriais para custos da fase de pós-colheita
do café. Analisando-a, pode-se observar que as variáveis se agrupam por
similaridades de explicação, ou seja, estão agrupadas por fatores. As variáveis
que explicam ou representam melhor o fator 1 são aquelas que estiverem
localizadas mais distantes da origem, em relação ao eixo x. As variáveis que
estiverem localizadas próximas à origem do plano fatorial, possuem baixa
representatividade. Neste caso, as variáveis que melhor representam o fator 1,
num prolongamento do eixo x até a origem dos eixos, são: QS, SEC e TER. Do
mesmo modo, as variáveis que melhor representam o fator 2 são: CSIM e PCVU.
As distâncias de cada uma das variáveis analisadas são encontradas
traçando-se segmentos de reta perpendiculares ao eixo considerado. Assim, as
variáveis que estiverem localizadas mais distantes da origem, a partir da
perpendicular traçada, terão maior influência sobre o fator analisado.
44
44
QS
QDC
PCVU
CMO
TER
SEC
CSIM
-0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0
Factor 1
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
Fac
tor
2
QS
QDC
PCVU
CMO
TER
SEC
CSIM
Figura 13. Planos fatoriais para custos da fase de pós-colheita do café.
As correlações entre as variáveis foram determinadas, conforme Tabela 8.
Tabela 8. Correlações para custos da fase de pós-colheita do café.
QS QDC PCVU CMO TER SEC CSIM
QS 1,00 0,33 0,19 -0,25 0,90 0,79 -0,11
QDC 0,33 1,00 0,28 -0,18 0,22 0,24 0,09
PCVU 0,19 0,28 1,00 -0,07 0,23 0,44 0,65
CMO -0,25 -0,18 -0,07 1,00 -0,15 -0,22 0,03
TER 0,90 0,22 0,23 -0,15 1,00 0,69 -0,06
SEC 0,79 0,24 0,44 -0,22 0,69 1,00 0,17
CSIM -0,11 0,09 0,65 0,03 -0,06 0,17 1,00
Analisando-se os resultados da matriz de correlação (Tabela 8) entre as
variáveis, observou-se que a maioria dos valores eram inferiores a 0,7 indicando
uma correlação fraca entre as variáveis. Apenas entre as variáveis QS e TER; QS
e SEC existiam valores de correlações fortes, concluindo-se uma interligação
entre as variáveis citadas e que a análise das mesmas deveria ser realizada
conjuntamente e não de forma isolada.
45
45
É importante, todavia, notar que a variável mais correlacionada (0,65) ao
custo simulado (CSIM) foi a porcentagem de café via úmida (PCVU), ou seja,
quando a porcentagem de café via úmida aumenta, o valor do custo simulado
também tende a aumentar.
4.3.3. Análise de componentes principais para os custos da pós-colheita do
café
Para esta análise também foram consideradas apenas as duas primeiras
componentes principais, conforme Tabela 7.
O círculo de correlação unitário (Figura 14) foi utilizado como complemento
para um maior esclarecimento das análises realizadas.
Analisando-se a Figura 14, observa-se que as variáveis que estiverem mais
próximas ao círculo unitário, possuem uma maior contribuição em relação àquelas
que estiverem mais afastadas. Também deve ser observado o ângulo formado
entre duas variáveis, demonstrando maior ou menor correlação entre as mesmas.
Assim, TER e SEC; e CSIM e PCVU contribuem fortemente na análise e possuem
correlação significativa, devido ao pequeno ângulo formado entre estas variáveis.
Fazendo-se uma sobreposição da Figura 14 sobre o 1° plano fatorial
(Figura 15), identificam-se visualmente quais as variáveis que estão relacionadas
com os casos em estudo, ou seja, as fazendas. Como exemplo, podemos citar
que para a variável CSIM os casos mais significativos são: 2, 24 (menores valores
de custos); 35, 37 (maiores valores de custos).
46
46
QS
QDC
PCVU
CMO
TER
SEC
CSIM
-1,0 -0,5 0,0 0,5 1,0
Factor 1 : 42,63%
-1,0
-0,5
0,0
0,5
1,0
Fac
tor
2 :
23
,21
%
QS
QDC
PCVU
CMO
TER
SEC
CSIM
Figura 14. Círculo de correlação unitário para custos da fase de pós-colheita do café.
1
2
3 4 5
6
7
8
9
10
11
12 13
14
15 16
17 18 19
20 21 22
23
24
25
26 27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
-2 -1 0 1 2 3 4 5
Factor 1: 42,63%
-2
-1
0
1
2
3
4
Fac
tor
2:
23
,21
%
1
2
3 4 5
6
7
8
9
10
11
12 13
14
15 16
17 18 19
20 21 22
23
24
25
26 27
28
29
30
31
33
34
35
36
37
38
39
40
41
42
43
44
45
46
Figura 15. Distribuição da nuvem de pontos por fazendas para custos da fase de pós-colheita.
Analisando-se o gráfico anterior, conclui-se que diversos casos contribuem
na formação da combinação linear dos fatores 1 e 2, tornando-se muito difícil a
47
47
identificação dos casos mais representativos, podendo-se citar: 30 e 32 para o
fator 1; 35 e 37 para o fator 2.
Observa-se uma distribuição bastante uniforme das fazendas, ocorrendo
uma maior concentração em torno da origem. Esses casos não apresentam
representatividade significativa, em relação aos fatores 1 e 2. Também ocorrem
algumas sobreposições, ou seja, algumas fazendas foram influenciadas pelos
fatores 1 e 2 de forma muito parecida.
4.4. Análise estatística para a estimativa da infraestrutura
Respostas aos questionários aplicados às 46 fazendas
As informações solicitadas pelo questionário tratam as variáveis de entrada
necessárias para o cálculo dos custos de processamentos da fase de pós-
colheita. A Tabela 9 apresenta as respostas das 46 fazendas para algumas das
variáveis de entrada. Estes valores foram utilizados na simulação da infraestrutura
no “Pós-Café”.
48
Tabela 9. Principais dados, dos questionários aplicados às 46 fazendas, utilizados nas simulações do “Pós-Café”.
ID N (%)
B (%)
VE (%)
VD (%)
CV (%)
CD (%)
CDM (%)
CDP (%)
SAC (un.)
CO (dias)
Kwh (R$)
PMO (R$/Dia)
ESP (m)
TT (dias)
TS (horas)
LAV (un.)
DESC (un.)
DESM (un.)
SEC (un.)
1 15 55 10 0 0 0 20 0 19000 80 0,29 30,00 0,06 8,00 17,00 1 1 1 2
2 100 0 0 0 0 0 0 0 10000 85 0,29 50,00 0,10 6,00 - 0 0 0 0
3 16,7 55 3,33 0 0 25 0 0 6000 120 0,29 42,00 0,03 6,25 - 2 2 0 4
4 20 45 0 0 35 0 0 0 4000 60 0,29 50,00 0,04 5,00 27,00 1 1 0 2
5 100 0 0 0 0 0 0 0 1700 100 0,29 50,00 0,08 10,00 - 0 0 0 0
6 100 0 0 0 0 0 0 0 2100 60 0,29 30,00 0,05 12,00 - 1 0 0 0
7 12,5 51,7 12,5 3,33 0 0 20 0 6000 90 0,29 50,00 0,06 7,00 36,00 1 1 1 4
8 44 45 0 0 0 0 11 0 9000 90 0,29 25,00 0,05 5,33 24,00 1 1 1 2
9 10 40 20 0 0 0 30 0 4000 120 0,29 45,00 0,05 5,75 25,00 1 1 1 2
10 100 0 0 0 0 0 0 0 900 45 0,15 45,00 0,08 9,75 - 1 0 0 0
11 100 0 0 0 0 0 0 0 1500 60 0,15 40,00 0,10 8,50 - 0 0 0 0
12 100 0 0 0 0 0 0 0 4500 70 0,15 45,00 0,08 7,50 - 0 0 0 0
13 10 60 0 0 30 0 0 0 5000 80 0,26 40,00 0,07 7,33 17,50 1 0 0 4
14 100 0 0 0 0 0 0 0 6000 75 0,29 60,00 0,08 9,50 - 1 0 0 0
49
15 20 63 2,5 0 0 0 14,5 0 13500 60 0,28 40,00 0,05 7,63 38,00 1 1 1 8
16 100 0 0 0 0 0 0 0 2300 70 0,15 50,00 0,06 9,50 - 1 0 0 0
17 100 0 0 0 0 0 0 0 800 26 0,29 50,00 0,07 8,00 - 1 0 0 0
18 100 0 0 0 0 0 0 0 8000 50 0,18 45,00 0,06 8,00 - 0 0 0 0
19 100 0 0 0 0 0 0 0 1300 80 0,29 35,00 0,17 9,25 - 0 0 0 0
20 100 0 0 0 0 0 0 0 8000 105 0,18 45,00 0,06 4,25 20,00 1 0 0 4
21 100 0 0 0 0 0 0 0 6500 45 0,15 50,00 0,04 8,75 25,00 0 0 0 1
22 100 0 0 0 0 0 0 0 8500 90 0,29 46,00 0,06 1,50 24,00 0 0 0 5
23 100 0 0 0 0 0 0 0 3500 95 0,27 30,00 0,04 6,00 - 1 0 0 1
24 100 0 0 0 0 0 0 0 4700 80 0,29 30,00 0,10 9,00 - 1 0 0 0
25 100 0 0 0 0 0 0 0 4000 90 0,17 40,00 0,13 5,50 12,00 0 0 0 1
26 14 55 14 0 0 0 17 0 18000 120 0,29 40,00 0,06 4,00 66,50 2 1 2 9
27 0 65 5 0 0 0 30 0 16000 100 0,15 40,00 0,06 5,50 40,00 2 2 1 8
28 15 45 2 3 0 0 35 0 6000 90 0,29 50,00 0,05 4,40 12,00 1 1 1 3
29 100 0 0 0 0 0 0 0 6000 80 0,29 40,00 0,07 6,00 24,00 0 0 0 2
30 20 32 12 0 0 0 36 0 38000 110 0,16 30,00 0,02 4,50 17,00 3 5 3 10
31 27 17 6 0 0 0 50 0 6000 72 0,17 45,00 0,06 9,17 12,50 2 2 2 4
50
32 45 35 5 0 0 0 15 0 35000 90 0,19 45,00 0,05 9,40 7,67 3 1 1 9
33 15 45 5 0 0 0 35 0 11000 60 0,29 45,00 0,10 8,25 19,50 1 1 2 6
34 100 0 0 0 0 0 0 0 1800 100 0,29 50,00 0,07 8,50 - 1 0 0 0
35 5 17 8 10 0 0 60 0 3000 120 0,29 30,00 0,04 16,20 12,00 1 3 1 3
36 0 35 15 15 0 0 0 35 12200 45 0,29 40,00 0,06 8,50 36,00 3 5 - 12
37 10 32,5 12,5 7,5 0 0 37,5 0 4000 50 0,29 49,00 0,03 3,20 63,00 2 3 1 8
38 23 43 4 0 0 26 0 0 16500 140 0,29 51,50 0,07 6,00 36,00 1 2 1 5
39 0 50 20 0 0 0 30 0 27500 110 0,29 26,00 0,06 5,70 55,19 1 3 1 10
40 4 40 6 10 0 0 40 0 1804 75 0,29 40,00 0,06 7,75 25,00 1 1 1 2
41 25 35 5 5 0 30 0 0 12000 100 0,25 30,00 0,05 4,80 51,00 1 2 0 6
42 23 30 8 3 0 0 36 0 20000 100 0,19 42,00 0,06 5,00 33,00 2 3 1 6
43 0 50 10 10 0 30 0 0 10000 100 0,29 42,00 0,05 5,00 33,00 2 2 0 4
44 7 38 3 3 0 0 49 0 5312 100 0,29 75,00 0,04 2,50 40,00 1 2 1 5
45 15 30 12,5 12,5 0 0 30 0 8000 120 0,29 30,00 0,03 5,80 25,00 1 2 1 6
46 3 37 10 10 0 0 40 0 5000 90 0,29 30,00 0,10 7,90 52,38 1 2 1 5
51
51
Legenda referente às variáveis da Tabela 9:
ID: número identificador da fazenda entrevistada
N: porcentagem de café natural produzido
B: porcentagem de café boia produzido
VE: porcentagem de café verde produzido
VD: porcentagem de café verde descascado produzido
CV: porcentagem de café cereja e verde produzido
CD: porcentagem de café cereja descascado produzido
CDM: porcentagem de café cereja desmucilado produzido
SAC: quantidade de sacas de café produzidas
CO: quantidade de dias de duração da colheita
kWh: preço do quilowatt-hora
PMO: preço da mão de obra por dia de trabalho
MO: mão de obra utilizada no processamento do café (exceto terreireiros)
ESP: espessura média do café no terreiro (considerando todos os tipos de café
produzidos)
TT: tempo total médio de secagem do café no terreiro (considerando todos os
tipos de café produzidos)
TS: tempo total médio de secagem do café no secador (considerando todos os
tipos de café produzidos)
LAV: quantidade de lavadores utilizados na fase de pós-colheita do café
DESC: quantidade de descascadores utilizados na fase de pós-colheita do café
DESM: quantidade de desmuciladores utilizados na fase de pós-colheita do café
SEC: quantidade de secadores utilizados na fase de pós-colheita do café
Simulações de infraestrutura para a fase de pós-colheita do café
A Tabela 10 apresenta os resultados das simulações, em relação à
infraestrutura, realizadas no sistema “Pós-Café”, para as 46 fazendas.
52
52
Tabela 10. Detalhamento da infraestrutura declarada versus simulada para as 46 fazendas entrevistadas.
ID Área de terreiro
declarada
(metros)
Área de terreiro
simulada
(metros)
Capacidade dos
secadores declarada
(litros)
Capacidade dos
secadores simulada
(litros)
1 18000,00 15335,38 120000,00 109855,29
2 21000,00 8126,05 0,00 0,00
3 10000,00 1517,05 0,00 0,00
4 7000,00 2170,00 39000,00 35401,67
5 3800,00 954,83 0,00 0,00
6 5500,00 2522,00 0,00 0,00
7 6000,00 3360,94 64000,00 21672,00
8 17900,00 5096,95 51000,00 41288,63
9 7300,00 1191,96 30000,00 10309,00
10 3000,00 1043,00 0,00 0,00
11 4000,00 1257,00 0,00 0,00
12 9000,00 5599,28 0,00 0,00
13 8800,00 2382,81 39000,00 33520,31
14 10300,00 6145,33 0,00 0,00
15 21000,00 6940,58 60000,00 117460,13
16 9500,00 2294,52 0,00 0,00
17 5000,00 1821,97 0,00 0,00
18 6000,00 16796,00 0,00 0,00
19 3000,00 724,47 0,00 0,00
20 10600,00 2380,40 45000,00 31810,91
21 10000,00 6088,33 88000,00 87900,31
22 11000,00 2061,25 30000,00 68708,33
23 12000,00 2315,52 0,00 0,00
53
53
24 10000,00 4039,38 0,00 0,00
25 6000,00 782,22 22000,00 18773,33
26 46600,00 3546,96 123000,00 129964,50
27 20000,00 3726,63 171000,00 156600,00
28 12000,00 2528,59 60000,00 13652,00
29 10000,00 3828,12 30000,00 34453,13
30 66000,00 18808,38 150000,00 103174,33
31 27000,00 1557,29 72000,00 65700,00
32 85000,00 24379,70 126000,00 44566,67
33 20000,00 6553,73 90000,00 89694,00
34 4500,00 3108,75 0,00 0,00
35 6600,00 4761,17 22500,00 3367,64
36 47000,00 4645,76 141000,00 192361,47
37 10500,00 4130,67 65500,00 75606,00
38 29500,00 4679,45 84000,00 52032,81
39 37300,00 8707,5 210000,00 252140,58
40 6500,00 1109,15 35000,00 16207,14
41 20000,00 6094,8 90000,00 199987,20
42 27700,00 7012,1 105000,00 102220,95
43 21400,00 4268,4 36000,00 50329,52
44 10500,00 692,22 67500,00 33245,23
45 8000,00 5487,71 69000,00 28389,00
46 3000,00 2316,11 57500,00 62381,54
Os valores indicados em negrito destacam fazendas em que o valor
declarado foi menor que o simulado para determinado aspecto analisado,
caracterizando, portanto, um déficit de infraestrutura na fazenda.
54
54
Estatística comparativa da infraestrutura
Para a análise comparativa da infraestrutura foram estudados os dados
declarados, informados pelos responsáveis das fazendas entrevistadas, em
relação aos dados simulados no sistema “Pós-Café”.
A Tabela 11 apresenta dados em relação à subestimação e
superestimação da infraestrutura por parte das fazendas estudadas.
Tabela 11. Resumo da comparação entre dados declarados versus simulados para a infraestrutura.
Variável Fazendas de declarações subestimadas (unidade)
Fazendas de declarações superestimadas (unidade)
Fazendas de declarações subestimadas (%)
Fazendas de declarações superestimadas (%)
Área de terreiro
1 45 2,17 97,83
Capacidade de secadores
10 21 21,74 45,65
A maioria das fazendas (97,83%) superestimam dados declarados para o
aspecto da fase de pós-colheita mensurado pela variável área de terreiro. Para a
capacidade dos secadores esse valor é bem menor, cerca de 45,65%
superestimam a capacidade.
Ainda em relação à Tabela 11, uma fazenda tem mau dimensionamento do
terreiro, não comportando toda a produção de frutos colhidos e dez fazendas não
possuem disponibilidade da capacidade mínima de secadores mecânicos,
portanto, estas podem sofrer os malefícios promovidos pelas fermentações que
ocorrem nos frutos de café.
Para uma análise mais apurada foi utilizado o teste T-pareado. De acordo
com Ribeiro Júnior e Melo (2009), trata-se de um caso de duas populações
dependentes, portanto, a variável aleatória de interesse será a diferença entre os
pares de duas amostras, no lugar dos valores delas próprias, que devem ter o
mesmo tamanho. As hipóteses foram: H0 (µDiferenças=0) vs Ha (µDiferenças≠0), em que
‘Diferenças’ representa a diferença entre as duas populações. Onde:
AT_DEC = Área de terreiro declarada.
55
55
AT_SIM = Área de terreiro simulada.
AT_D = AT_DEC – AT_SIM = Diferença entre áreas declaradas e simuladas.
CS_DEC = Capacidade dos secadores declarada.
CS_SIM = Capacidade dos secadores simulada.
CS_D = CS_DEC – CS_SIM = Diferença entre a capacidade declarada e
simulada.
O procedimento do teste T-pareado (Tabela 12) foi aplicado com o objetivo
de comparação de médias. As diferenças entre as duas populações foram
testadas para os dois aspectos da fase de pós-colheita: área de terreiro e a
capacidade dos secadores.
Tabela 12. Teste T-pareado para comparação de médias.
Observa-se que a diferença média foi diferente de zero para a variável
AT_D (P=0,000001 < α=0,05), portanto, em média, os dados de AT_DEC são
11519,77 maiores que AT_SIM.
A diferença média foi igual à zero para a variável CS_D (P=0,587631 >
α=0,05), logo, não existe diferença entre as médias das variáveis CS_DEC e
CS_SIM.
Para explicação dos dados também foram utilizados os gráficos Box-plots.
Esses gráficos possibilitam a representação de uma variável aleatória, uma vez
que fornece uma ideia de posição, dispersão, assimetria, caudas e dados
discrepantes da distribuição. A caixa central (box) mostra os dados entre o
primeiro e terceiro quartis (hinge). Linhas verticais (whiskers), iniciando no meio
da base (e do topo) da caixa e terminando em valores extremos (denominados
adjacentes inferior e superior) indicam, aproximadamente, a variabilidade dos
dados (Ferraz et al., (2012); Mcgill et al., (1978)).
As Figuras Figura 16 e Figura 17 ilustram Box-plots para área de terreiro e
capacidade de secadores.
Variáveis Dados Médias Desvios T GL Probabilidade
AT_D 46 11519,77 13717,26 5,695810 45 0,000001
CS_D 46 2396,226 29755,03 0,546193 45 0,587631
56
56
Median
25%-75%
Min-Max AT_DEC AT_SIM
-10000
0
10000
20000
30000
40000
50000
60000
70000
80000
90000
Figura 16. Box-plots para dados de área de terreiro.
Median
25%-75%
Min-Max CS_DEC CS_SIM
-20000
0
20000
40000
60000
80000
1E5
1,2E5
1,4E5
1,6E5
1,8E5
2E5
2,2E5
2,4E5
2,6E5
2,8E5
Figura 17. Box-plots para dados de capacidade dos secadores.
A partir da análise dos gráficos de Box-plot representados, é possível
observar que a área de terreiro apresentou valores discrepantes em relação aos
dados declarados e simulados. Já os dados de capacidade dos secadores se
mostraram bem próximos graficamente para as situações.
A superestimação da área do terreiro, simulada pelo “Pós-Café” e
confirmada pelo teste T-pareado, evidencia que os custos de pós-colheita das
fazendas com esta superestimativa poderia ser menor. Uma vez que devido à
superestimação da área de terreiro, o custo de depreciação do mesmo também
está superestimado.
57
57
4.5. Análise estatística para o desenvolvimento de cenários utilizando o
sistema de apoio à decisão “Pós-Café”
Simulações de programa computacional
Os dados de cada questionário respondido pelas 46 fazendas foram
utilizados como entrada em simulações processadas no sistema de apoio à
decisão para gestão da pós-colheita do café, denominado “Pós-Café” (Borém,
2008).
As informações solicitadas pelo questionário tratam as variáveis de entrada
necessárias para o cálculo dos custos de processamentos da fase de pós-
colheita. A Tabela 9 apresenta as respostas das 46 fazendas para algumas das
variáveis de entrada. Estes valores foram utilizados na simulação dos custos no
“Pós-Café”.
A Tabela 13 apresenta os resultados de custos detalhados das simulações
realizadas no sistema “Pós-Café” para os processamentos originais implantados
nas 46 fazendas entrevistadas.
Tabela 13. Detalhamentos dos custos simulados no “Pós-Café” para os processamentos originais das 46 fazendas entrevistadas.
Fazenda CSIM CEE CMOP CMOT CDT CC
1 6,98 1,89 0,13 2,27 1,41 1,49
2 4,08 0 0,43 3,4 0,26 0
3 8,66 0,15 2,52 5,04 0,96 0
4 11,82 2,59 2,25 3 2,22 1,77
5 9,36 0 2,94 5,88 0,53 0
6 7,76 0 1,71 5,14 0,91 0
7 17,72 2,41 2,25 6,75 2,71 3,6
8 8,04 1,86 0,75 2,25 1,7 1,48
58
58
9 11,17 1,75 2,7 2,7 2,1 2,4
10 8,59 0 2,5 5 1,09 0
11 5,24 0 1,6 3,2 0,44 0
12 8,35 0 0,7 7 0,65 0
13 9,61 1,38 0,64 2,56 1,95 3,07
14 10 0 0,75 8,25 1 0
15 8,98 2,73 0,53 3,2 2,08 0,45
16 8,13 0 1,52 6,09 0,52 0
17 9,32 0 3,25 4,88 1,19 0
18 10,2 0 0,28 7,88 2,05 0
19 7,01 0 2,15 4,31 0,54 0
20 6,95 1,03 0,59 2,36 1,08 1,89
21 8,55 1,11 0,35 3,46 2,5 1,13
22 9,27 3,46 0,49 1,95 1,42 1,96
23 6,05 0 2,44 3,26 0,35 0
24 4,54 0 0,51 3,57 0,45 0
25 5,25 0,6 0,9 1,8 0,93 1,01
26 14,16 4,84 0,8 1,6 1,44 5,47
27 9,41 2,16 0,75 1,75 1,71 3,04
28 9,39 0,77 2,25 2,25 1,63 2,43
29 10,85 2 0,53 3,73 1,88 2,7
30 6,92 1,18 0,26 2,78 1,14 1,56
31 11,69 0,8 1,62 5,94 2,87 0,46
32 9,25 0,51 0,35 5,9 1,02 1,47
59
59
33 9,36 1,65 0,74 2,95 2,03 1,99
34 15,24 0 2,78 11,11 1,35 0
35 24,23 0,73 1,2 12 3,82 6,48
36 14,77 6,19 0,15 1,48 3,58 3,39
37 26,03 8,49 0,61 4,9 5,95 6,08
38 9,83 2,7 0,42 3,33 1,09 2,29
39 10,18 4,34 0,1 1,66 1,48 2,59
40 15,19 1,44 1,66 3,33 4,26 4,49
41 17,18 5,14 0,25 2,75 2,74 6,3
42 8,29 2,25 0,21 2,73 1,21 1,89
43 10,78 2,63 0,42 3,36 1,67 2,7
44 12,57 3,98 1,41 1,41 2,38 3,39
45 12,99 2,08 0,45 4,5 2,36 3,6
46 18,07 5,62 0,54 2,7 3,37 5,83
Legenda referente às variáveis da Tabela 13:
Fazenda: número identificador da fazenda entrevistada
CSIM: custo simulado total na fase de pós-colheita (R$/Saca)
CEE: custo simulado da energia elétrica na fase de pós-colheita (R$/Saca)
CMOP: custo simulado da mão de obra no processamento na fase de pós-
colheita (R$/Saca)
CMOT: custo simulado da mão de obra no terreiro na fase de pós-colheita
(R$/Saca)
CDT: custo simulado da depreciação total na fase de pós-colheita (R$/Saca)
CC: custo simulado do gasto com combustível na fase de pós-colheita (R$/Saca)
60
60
Desenvolvimento dos cenários
Nesta etapa o sistema “Pós-Café” foi utilizado para comparar o
processamento original de todas as 46 fazendas com as simulações de outros
possíveis processamentos aplicáveis às mesmas.
Para as fazendas que apresentavam processamentos originais via seca, foi
simulada como alternativa o processamento via úmida com produção de café
cereja desmucilado com secagem mecânica.
Já para as fazendas que apresentavam processamentos originais via seca,
foi simulada como alternativa o processamento o via seca com produção de café
cereja e verde com secagem em terreiro.
A comparação entre o processamento original e o simulado levou em
consideração a margem líquida entre os processamentos. A margem líquida é o
valor em reais, por saca de café, que o produtor ganha ou perde optando-se por
um processamento em relação a outro.
Para esta comparação foram utilizadas cotações obtidas em Carvalhaes
(2012). A Tabela 14 mostra os valores de cotações para os diversos tipos de café.
Tabela 14. Cotações dos tipos de café.
Tipo do Café Preço
Café padrão R$ 395,00
Café da roça (natural) R$ 340,00
Café verde R$ 340,00
Café verde descascado R$ 395,00
Café boia R$ 360,00
Café cereja e verde R$ 395,00
Café cereja descascado R$ 440,00
Café cereja desmucilado R$ 440,00
A Tabela 15 detalha para cada uma das 46 fazendas: a via de
processamento original utilizado (VIA), o custo de pós-colheita para o
processamento originalmente utilizado na fazenda (CP1), o custo de pós-colheita
61
61
para o processamento alternativo proposto para a fazenda (CP2) e a margem
líquida entre os processamentos (ML).
Tabela 15. Margem líquida entre o custo de pós-colheita de processamentos originais e alternativos para as 46 fazendas entrevistadas.
Fazenda VIA CP1 CP2 ML
1 ÚMIDA 6,98 5,35 0,75
2 SECA 4,08 5,87 -54,20
3 ÚMIDA 8,66 6,81 7,57
4 SECA 11,82 6,33 -5,94
5 SECA 9,36 13,46 -29,41
6 SECA 7,76 7,83 -30,93
7 ÚMIDA 17,72 12,03 -7,33
8 ÚMIDA 8,04 5,83 -8,01
9 ÚMIDA 11,17 9,14 -0,27
10 SECA 8,59 17,79 -25,23
11 SECA 5,24 11,31 -27,95
12 SECA 8,35 5,99 -45,36
13 SECA 9,61 9,13 -5,95
14 SECA 10,00 7,23 -36,80
15 ÚMIDA 8,98 7,05 2,18
16 SECA 8,13 9,26 -32,89
17 SECA 9,32 16,81 -27,54
18 SECA 10,20 6,66 -37,70
19 SECA 7,01 15,33 -23,69
20 SECA 6,95 7,30 -37,45
21 SECA 8,55 6,72 -28,83
22 SECA 9,27 8,50 -38,78
23 SECA 6,05 8,29 -31,77
24 SECA 4,54 7,98 -28,55
25 SECA 5,25 9,64 -37,72
26 ÚMIDA 14,16 7,49 -1,75
27 ÚMIDA 9,41 5,84 7,18
28 ÚMIDA 9,39 10,04 13,71
29 SECA 10,85 9,25 -34,60
30 ÚMIDA 6,92 7,62 10,28
31 ÚMIDA 11,69 8,70 15,27
32 ÚMIDA 9,25 8,07 2,94
33 ÚMIDA 9,36 8,24 11,88
34 SECA 15,24 15,47 -34,77
35 ÚMIDA 24,23 8,09 9,77
62
62
36 ÚMIDA 14,77 7,23 -8,22
37 ÚMIDA 26,03 20,76 6,02
38 ÚMIDA 9,83 8,22 3,15
39 ÚMIDA 10,18 5,61 -2,11
40 ÚMIDA 15,19 9,65 3,66
41 ÚMIDA 17,18 5,65 -0,78
42 ÚMIDA 8,29 6,04 9,76
43 ÚMIDA 10,78 8,26 5,48
44 ÚMIDA 12,57 16,34 24,17
45 ÚMIDA 12,99 7,95 1,53
46 ÚMIDA 18,07 5,53 -0,04
Análise estatística
Para o estudo detalhado dos cenários foi utilizado o teste t de Student. O
teste t é aplicado para testar hipóteses referentes a médias populacionais, quando
as variáveis apresentam-se normalmente distribuídas com variâncias
desconhecidas.
Antes da realização desta análise, as fazendas foram agrupadas de acordo
com suas vias de processamento.
Na análise de estatística descritiva dos dois grupos temos as seguintes
informações, mostradas na Tabela 16 e Tabela 17.
Tabela 16. Estatística descritiva dos dados das 21 fazendas com processamentos originais via seca.
Variáveis Mínimos Máximos Perdidos Válidos
Fazenda 2,0000 34,0000 0 21
CP1 4,0800 15,2400 0 21
CP2 5,8700 17,7900 0 21
ML -54,2000 -5,9400 0 21
63
63
Tabela 17. Estatística descritiva dos dados das 25 fazendas com processamentos originais via úmida.
Após a estatística descritiva realizou-se o teste de Lilliefords com o objetivo
de verificação de normalidade para ambos os grupos, conforme Tabela 18 e
Tabela 19.
Tabela 18. Verificação de normalidade para os dados de margem líquida (ML) das 21 fazendas com processamentos originais via seca.
Tabela 19. Verificação de normalidade para os dados de margem líquida (ML) das 25 fazendas com processamentos originais via úmida.
Como o valor calculado (0,1767 e 0,0920) é menor do que os valores
tabelados (α = 0,05 e α = 0,01) para ambas as vias de processamento, não se
rejeitar a hipótese H0, portanto, a variável aleatória ML segue distribuição normal
tanto na via de processamento via seca, quanto na via úmida.
Uma vez verificada a normalidade dos dados, o procedimento do teste de t
de Student (Tabela 20 e Tabela 21) foi aplicado com o objetivo de comparação de
médias com uma constante de referência, no caso zero. As hipóteses testadas
Variáveis Mínimos Máximos Perdidos Válidos
Fazenda 1,00000 46,00000 0 25
CP1 6,92000 26,03000 0 25
CP2 5,35000 20,76000 0 25
ML -8,22000 24,17000 0 25
Variáveis Valor Calculado Valor (P=0,05) Valor (P=0,01)
ML 0,1767 0,187 0,229
Variáveis Valor Calculado Valor (P=0,05) Valor (P=0,01)
ML 0,0920 0,173 0,220
64
64
foram: H0 (µML=0) vs Ha (µML≠0), em que ML representa a margem líquida entre os
processamentos originais e alternativos das duas vias de processamento.
Tabela 20. Teste de média contra constante de referência para os dados de margem líquida (ML) das 21 fazendas com processamentos originais via seca.
Variável Dados Média Desvios Constante T GL Probabilidade
ML 21 -31,2410 10,9022 0,00 -13,1317 20 0,000000
Tabela 21. Teste de média contra constante de referência para os dados de margem líquida (ML) das 25 fazendas com processamentos originais via úmida.
Variável Dados Média Desvios Constante T GL Probabilidade
ML 25 4,2716 7,6242 0,00 2,8013 24 0,009898
No desenvolvimento de cenários para as fazendas com processamento
original via seca e processamento alternativo via úmida, com produção de café
cereja desmucilado com secagem mecânica, observa-se que a diferença entre a
média e a constante de referência foi diferente de zero (P=0,000000 < α=0,05),
logo, a média da margem líquida neste desenvolvimento de cenários é diferente
de zero, a saber, -13,1317. Isso significa que, em média, para as 21 fazendas de
processamento via seca analisadas, caso os produtores optassem pelo
processamento alternativo via úmida proposto, ganhariam R$ 13,13 por saca de
café produzido.
Já no desenvolvimento de cenários para as fazendas com processamento
original via úmida e processamento alternativo via seca, com produção de café
cereja e verde com secagem em terreiro, observa-se que a diferença entre a
média e a constante de referência foi diferente de zero (P=0,009898 < α=0,05),
portanto, a média da margem líquida neste desenvolvimento de cenários é
diferente de zero, a saber, 2,8013. Isso significa que, em média, para as 25
fazendas de processamento via úmida analisadas, caso os produtores optassem
pelo processamento alternativo via seca proposto, perderiam R$ 2,80 por saca de
café produzido.
65
65
5. RESUMO E CONCLUSÕES
A escolha do modo de processamento do café, bem como o
dimensionamento da infraestrutura necessária para seu processamento são
decisivos na rentabilidade da atividade cafeeira e dependerão de diversos fatores.
Assim, em decorrência da existência de tantas variáveis, é comum o produtor
questionar a viabilidade de determinados tipos de processamentos e até mesmo
subestimar ou superestimar aspectos de infraestrutura.
Considerando a argumentação apresentada acima e refletindo sobre a
possibilidade do uso potencial de um software que sistematizasse o conhecimento
especialista da fase de pós-colheita do café, o presente trabalho foi realizado na
expectativa de alcançar os seguintes objetivos:
1. Desenvolver um sistema de apoio à decisão para gestão da pós-colheita
do café. Nesse trabalho, investigou-se, também, se o software era
estatisticamente confiável para descrever os custos da fase de pós-colheita do
café. Caso o resultado fosse positivo, seria então possível utilizar o software para
outras análises com base nos dados simulados;
2. Estudar, utilizando técnicas multivariadas, os principais fatores
influenciadores no custo da fase de pós-colheita do café;
3. Analisar se a infraestrutura declarada pelos produtores era coerente com
a infraestrutura simulada pelo “Pós-Café” necessária para o processamento de
secagem do café na fase de pós-colheita;
66
66
4. Desenvolver no sistema “Pós-Café” cenários de processamentos
alternativos mais rentáveis para duas fazendas com processamentos,
respectivamente, via seca e via úmida;
O trabalho experimental necessário para a realização desses objetivos foi
então dividido em quatro etapas, permitindo a elaboração de quatro artigos
científicos, cada um descrevendo metodologias e resultados específicos. As
conclusões desses quatro objetivos encontram-se a seguir.
1. O sistema de apoio à decisão “Pós-Café” provou, estatisticamente, ser
uma ferramenta confiável. Os custos de processamento do café em sua
fase de pós-colheita calculados pelo “Pós-Café” são compatíveis com
os custos declarados.
2. A aplicação das técnicas multivariadas de análise de agrupamento,
análise de fatores e análise de componentes principais, possibilitou
complementaridade na explicação dos principais fatores influenciadores
no custo da pós-colheita do café.
Dentre todas as variáveis estudadas, a de maior correlação com o custo
simulado (CSIM) foi a porcentagem de café via úmida produzido
(PCVU).
3. Ao empregar o sistema de apoio à decisão para gestão da pós-colheita
do café a 46 fazendas, ficou constatado que, em média, pelo teste T-
pareado, estas superestimam a área de terreiro e estimam
corretamente à capacidade dos secadores.
A superestimação da área do terreiro, simulada pelo “Pós-Café” e
confirmada pelo teste T-pareado, evidencia que os custos de pós-
colheita das fazendas com esta superestimativa poderia ser menor.
Uma vez que devido à superestimação da área de terreiro, o custo de
depreciação do mesmo também está superestimado.
4. No desenvolvimento de cenários para as fazendas com processamento
original via seca e processamento alternativo via úmida, com produção
de café cereja desmucilado com secagem mecânica, observa-se que,
caso os produtores optassem pelo processamento alternativo via úmida
proposto, ganhariam em média R$ 13,13 por saca de café produzido.
67
67
No desenvolvimento de cenários para as fazendas com processamento
original via úmida e processamento alternativo via seca, com produção
de café cereja e verde com secagem em terreiro, observa-se que, caso
os produtores optassem pelo processamento alternativo via seca
proposto, perderiam em média R$ 2,80 por saca de café produzido.
68
68
REFERÊNCIAS BIBLIOGRÁFICAS
Aaker, D. A., Kumar, V., Day, G. S. (2001) Pesquisa de marketing. 1. ed. São
Paulo: Atlas, 745 p.
Access, M. O. (2011) Microsoft Office Access. Disponivel em:
<http://office.microsoft.com/en-us/access>. Acesso em: 8 Junho 2011.
Acqua-Sist (2012) Sistema de apoio à decisão para avaliação da qualidade da
água. Disponivel em: <http://www.ufv.br/ctq/home.htm#acqua-sist>. Acesso
em: 26 Abril 2012.
Amorim, H. V., Silva, O. M. (1968) Relationship between the polyfenoloxidase
activity of coffee beans and quality of the beverage. Nature, New York, 219
(5152):381-382.
Anderberg, M. R. (1973) Cluster analysis for applications. 1. ed. New York:
Acafenic press, 359 p.
Angélico, C. L., Pimenta, C. J., Chalfoun, S. M., Chagas, S. J. R., Pereira, M. C.,
Chalfoun, Y. (2011) Diferentes estádios de maturação e tempos de
ensacamento sobre a qualidade do café. Coffee Science, Lavras, 6 (1):8-19.
Bac-Sist (2012) Sistema de apoio à decisão para diagnóstico de toxinfecções
alimentares. Disponivel em: <http://www.ufv.br/ctq/home.htm#bacsist>.
Acesso em: 26 Abril 2012.
Bassab, W. O., Miazaki, E. S., Andrade, D. F. (1990) Introdução à análise de
agrupamentos. 1. ed. São Paulo: Associação Brasileira de Estatística, 105 p.
Bezerra, F. A., Corrar, L. J. (2006) Utilização da análise fatorial na identificação
dos principais indicadores para avaliação do desempenho financeiro: uma
69
69
aplicação nas empresas de seguros. Revista Contabilidade & Finanças, São
Paulo, 1 (42):50-62.
Booch, G., Rumbaugh, J. (2006) UML, guia do usuário. 2. ed. Rio de Janeiro:
Campus, 463 p.
Borém, F. M. (2008) Processamento do Café. In: Borém, F. M. Pós-Colheita do
Café. 1. ed. Lavras: UFLA, Cap. 5, p. 127-158.
Brando, C. H. J. (2004) Harvesting and Green Coffee Processing. In: Brando, C.
H. J. Coffee: Growing, Processing, Sustainable Production. 1. ed. Weinheim:
Wiley, Cap. 2, p. 605-714.
Cap-Uso (2012) Sistema de apoio à decisão para determinação da capacidade de
uso dos solos. Disponivel em: <http://www.e-
science.unicamp.br/sisda/projetos/projetos.php>. Acesso em: 26 abr. 2012.
Carlini-Garcia, L. A. (1998) Estudo da estrutura genética populacional através de
marcadores moleculares. Monografia (Pós-graduação em Agricultura) -
Piracicaba - SP, Escola Superior de Agricultura Luiz de Queiroz - ESALQ,
118p.
Carvalhaes (2012) Escritório Carvalhaes Ltda. Disponivel em:
<http://www.carvalhaes.com.br>. Acesso em: 09 Setembro 2012.
Cormack, R. (1971) A review of classification. Journal of the Royal Statistical
Society, 134:321-367.
Cruz, D. C. (2002) Sistema de apoio à decisão dedicado à agricultura de precisão:
aplicação à cultura da soja. Disponivel em:
<http://www.cartografia.ime.eb.br/trabalhos/MESTRADO/2002_DIONISIO_CO
STA_CRUZ_JUNIOR/DissertaCao.pdf>. Acesso em: 26 Abril 2012.
Everitt, B. S., Landau, S., Leese, M. (2001) Cluster analysis. 1. ed. London:
Arnold, 207 p.
Ferraz, G. A. S., Silva, F. M., Costa, P. A. N., Silva, A. C., Carvalho, F. M. (2012)
Agricultura de precisão no estudo de atributos químicos do solo e da
produtividade de lavoura cafeeira. Coffee Science, Lavras, 7 (1):59-67.
Finlay, P. N., Forghani, M. (1998) A classification of success factors for decision
support systems. Journal of Strategic Information Systems, 7:53-70.
Gama, P. M. d. (1980) Bases da análise de agrupamentos (“Cluster Analysis”).
Dissertação (Mestrado em Estatística e Métodos Quantitativos) - Brasília - DF,
Universidade de Brasília - UnB, 229p.
Illy, A., Viani, R. (1995) Espresso coffee: the chemistry of quality. 1. ed. London:
Academic, 253 p.
70
70
Jônatas, J. (2012) StatSoft South America Consulting Services StatSoft South
America. Disponivel em:
<http://www.statsoft.com.br/pt/downloads.php?pg=documentos>. Acesso em:
01 jun. 2012.
Kaufmann, L., Rousseeuw, P. J. (1990) Finding groups in data: an introduction to
cluster analysis. 1. ed. New York: Jonh Wiley, 342 p.
Keen, P. G. W. (1980) Decision support systems: A research perspective. 1. ed.
Cambridge: Center for Information Systems Research, 50 p.
Kendall, M. G. (1969) Discrimination and classification. In: Krishnaian, K. R. Proc.
Int. Symp. on Multivariates Analysis. 1. ed. New York: Academic Press, p.
165-185.
Kock, E. (2003) A broader perspective to decision support systems. In: Kock, E.
Decentralising the codification of rules in a decision support expert knowledge
base. 1. ed. Pretoria: University of Pretoria, Cap. 5, p. 90-106.
Laurindo, A. M., Osni Júnior, T. S. (2012) Sistema de apoio à decisão para
identificação e diagnóstico das pragas agrícolas nos campos gerais.
Disponivel em: <http://www.sbiagro.org.br/pdf/v_congresso/Trabalho89.pdf>.
Acesso em: 26 Abril 2012.
Malhotra, N. K. (2011) Pesquisa de marketing: uma orientação aplicada. 6. ed.
Porto Alegre: Bookman, 719 p.
Mardia, A. K. V., T., K. J., Bibby, J. M. (1980) Multivariate analysis. 1. ed. London:
Academic Press, 521 p.
Martins, D. R., Camargo, O. A. d., Bataclia, O. C. (2005) Qualidade do grão e da
bebida em cafeeiros tratados com lodo de esgoto. Bragantia, Campinas, 64
(1):115-126.
Mazzafera, P. (2002) Degradação de cafeína por microrganismos e o emprego da
palha e polpa de café descafeinados na alimentação animal. Scientia
Agricola, 59 (4):815-821.
Mcgill, R., Tukey, J. W., Larsen, W. A. (1978) Variations of box plots. The
American Statistician, New York, 32 (1):12-16.
Mendonça, L. M. V. L., Pereira, R. G. F. A., Mendes, A. N. G., Borém, F. M.,
Marques, E. R. (2007) Composição química de grãos crus de cultivares de
Coffea arábica L. suscetíveis e resistentes à Hemileia vastatrix Berg et Br.
Ciência e Agrotecnologia, Lavras, 31 (2):413-419.
Meyer, A. S. (2002) Comparação de coeficientes de similaridade usados em
análise de agrupamento com dados de marcadores moleculares dominantes.
71
71
Dissertação (Mestrado em Agronomia) - Piracicaba - SP, Escola Superior de
Agricultura Luiz de Queiroz - ESALQ, 106p.
Narciso, M. G. (2012) Sistema de apoio à decisão para as culturas de milho e
soja. Disponivel em: <http://www.academicoo.com/artigo/banco-de-dados-e-
sistema-de-apoio-a-decisao-para-as-culturas-de-milho-e-soja>. Acesso em:
26 Abril 2012.
Nobre, S. R., Gomes, A. N., Rodriguez, L. C. E. (2001) Sistema de apoio à
decisão na avaliação de risco em investimentos florestais utilizando a técnica
de simulação discreta estocástica. Disponivel em:
<http://www.ipef.br/publicacoes/stecnica/nr34/voluntarios.pdf>. Acesso em: 26
Abril 2012.
Orlóci, L. (1978) Multivariate analysis in vegetational research. 2. ed. The Hague:
Dr. W. Junk B. V. Publishers, 451 p.
Pereira, A. F. O. A., Carlos Júnior, P., Ramos, E. J. S. (2006) Modelo e análise de
previsão de desempenho pela metodologia de análise multivariada de dados:
um estudo empírico do setor de energia elétrica. Revista Contemporânea de
Contabilidade, São Paulo, 3 (5):59-74.
Pontes, A. C. F. (2005) Análise de variância multivariada com a utilização de
testes não paramétricos. Tese (Doutorado em Agronomia) - Piracicaba - SP,
Escola Superior de Agricultura Luiz de Queiroz, ESALQ, 106p.
Power, D. J. (1997) What is a DSS? The On-Line Executive Journal for Data-
Intensive Decision Support, California, 1 (3).
Puerta-Quintero, G. I. P. (1996) Evaluación de la calidade del café colombiano
procesado por via seca. Cenicafé, San José: Agronômica Ceres, p. 85-90.
Puerta-Quintero, G. I. P. (2000) Influencia de los granos de café cosechados
verdes, em la calidad física y organoléptica de la bebida. Cenicafé, San José:
Agronômica Ceres, p. 136-159.
Regazzi, A. J. (2001) Análise multivariada. 1. ed. Viçosa: Universidade Federal de
Viçosa, 166 p.
Reis, E. (1997) Estatística multivariada aplicada. 1. ed. Lisboa: Sílabo, 342 p.
Resende, O., Afonso, P. C., Correa, P. C., Siqueira, V. C. (2011) Qualidade do
café conilon submetido à secagem em terreiro híbrido e de concreto. Ciência
e Agrotecnologia, Lavras, 35 (2):327-335.
Ribeiro Júnior, I., Melo, A. L. P. (2009) Guia prático para utilização do SAEG. 1.
ed. Viçosa: Folha Artes Gráficas, 288 p.
72
72
Rose, R. (2011) Rational Rose Enterprise. Disponivel em:
<www.ibm.com/software/awdtools/developer/rose/>. Acesso em: 8 Junho
2011.
Saath, R., Borém, F. M., Alves, E., Taveira, J. H. S., Medice, R., Coradi, P. C.
(2010) Microscopia Eletrônica de Varredura do Endosperma de Café (Coffea
arábica L.) durante o processo de secagem. Ciência e Agrotecnologia, Lavras,
34 (1):196-203.
Sichonany, O. R. d. A. O. (2012) Sistema de apoio à decisão para utilização no
agronegócio: telemetria e tratamento de dados de desempenho de máquina
de colheita. Disponivel em:
<http://www.scielo.br/pdf/cr/v41n10/a13411cr5112.pdf>. Acesso em: 26 Abril
2012.
Silva, R. F. (2003) Qualidade do café cereja descascado produzido na região do
Sul de Minas Gerais. Dissertação (Mestrado em Ciência dos Alimentos) -
Lavras - MG, Universidade Federal de Lavras - UFLA, 78p.
Sirclua (2012) Sistema de apoio à decisão para recomendação do composto de
lixo urbano na agricultura. Disponivel em: <http://www.e-
science.unicamp.br/sisda/projetos/projetos.php>. Acesso em: 26 Abril 2012.
Sisenerg (2012) Sistema de apoio à decisão para energização rural. Disponivel
em:
<http://projetos.unioeste.br/campi/nit/index.php?option=com_content&task=vie
w&id=112&Itemid=143>. Acesso em: 26 Abril 2012.
Solar (2012) Sistema de apoio à decisão para o planejamento de propriedades
agrícolas. Disponivel em: <http://www.ufv.br/ctq/home.htm#solar>. Acesso
em: 26 Abril 2012.
Sprague, J., Watson, H. (1993) Decision support systems: putting theory into
practice. 3. ed. New Jersey: Prentice Hall College Div, 450 p.
Subversion, A. (2011) Apache Subversion. Disponivel em:
<http://subversion.apache.org>. Acesso em: 8 Junho 2011.
Theodoro, V. C. A., Mourão Júnior, M., Guimarães, R. J., Chagas, S. J. R. (2002)
Caracterização da qualidade de grãos de cafés (Coffea arabica L.) colhidos
no pano e no chão, provenientes de sistemas de manejo orgânico, em
conversão convencional. Simpósio de Pesquisa dos Cafés do Brasil, 2,
Vitória: Empresa Brasileira de Pesquisa dos Cafés do Brasil, p. 2358-2366.
Tosello, A. (1957) Irrigação do Cafezal. Curso de Cafeicultura, 1, Campinas:
Instituto Agronômico do Estado de São Paulo, p. 183-193.
73
73
Turban, E. (1995) Decision Support and Expert Systems. 4. ed. Califórnia:
Prentice-Hall International, 930 p.
Valente, D. S. M., Queiroz, D. M., Corrêa, P. C., Silva, L. C., Vale, S. M. L. R. d.
(2011) Um sistema de apoio à decisão para determinação de tarifas em
unidades armazenadoras de grãos. Engenharia Agrícola, Jaboticabal, 31
(4):735-744.
Verdinelli, M. A. (1980) Análise inercial em ecologia. Tese (Doutorado em
Ciências Biológicas) - São Paulo - SP, Universidade de São Paulo - USP,
162p.
Vilela, T. C. (2002) Qualidade de café despolpado, desmucilado, descascado e
natural, durante o processo de secagem. Dissertação (Mestrado em Ciências
dos Alimentos) - Lavras - MG, Universidade Federal de Lavras - UFLA, 66p.
Vincent, J. C. (1987) Green coffee processing. In: Clarke, R. J.; Macrae, R.
Technology. 1. ed. New York: Elsevier, v. 2, Cap. 1, p. 1-199.
Wilbaux, R. (1963) Agricultural engineering. 1. ed. Rome: FAO, 293 p.
